Scalable Bayesian inference for heat kernel Gaussian processes on manifolds
流形上热核高斯过程的可扩展贝叶斯推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要中的图用于流形几何计算，应用为脑成像，未提供经济网络干扰或其他给定细分的依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
流形上热核高斯过程的可扩展贝叶斯推断
- 研究问题
- 如何对大规模流形数据进行热核高斯过程估计，在保留内在几何结构的同时降低指数族模型中的计算成本？
- 方法与思路
- 作者利用图拉普拉斯转移矩阵的低秩近似，并通过截断奇异值分解计算特征对，构造指数族模型中的高效估计技术。
- 材料陈述的贡献
- 摘要称方法将计算复杂度由样本量的三次方降至线性，并报告流形学习实验中的可扩展性与准确率改善；具体结果未列出。
- 阅读关注点
- 应核对低秩近似误差、复杂度计算包含的步骤及秩设定、几何保持的理论含义，以及脑成像应用和准确率比较的基准。
- 阅读边界
- 仅据 Crossref 所载摘要；复杂度结论的条件、近似误差和实验数值未说明，不能推断不同刊本版本的变化。
原文摘要
Abstract We establish a scalable manifold learning method and theory, motivated by the problem of estimating functional magnetic resonance imaging activation manifolds in the Human Connectome Project. Our primary contribution is the development of an efficient estimation technique for heat kernel Gaussian processes in the exponential family model. This approach handles large sample sizes n, preserves the intrinsic geometry of data, and significantly reduces computational complexity from O(n3) to O(n) via a novel reduced-rank approximation of the graph Laplacian’s transition matrix and a truncated singular value decomposition for the eigenpair computation. The numerical experiments demonstrate the scalability and improved accuracy of our method for manifold learning tasks involving complex large-scale data.