Learning low-dimensional nonlinear structures from high-dimensional noisy data: An integral operator approach
从高维含噪数据学习低维非线性结构：积分算子方法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：摘要研究通用非线性流形学习；低维嵌入和预测用途本身不构成宏观因子模型或经济预测分类的充分依据。
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…
关注这篇论文的作者
从高维含噪数据学习低维非线性结构：积分算子方法
- 研究问题
- 当非线性流形上的观测受到高维噪声污染时，如何恢复低维嵌入，并刻画维数与信噪比对恢复能力的影响？
- 方法与思路
- 作者提出核谱嵌入算法，以无需预知流形的自适应程序选择带宽，并借助核映射定义的积分算子分析嵌入性质。
- 材料陈述的贡献
- 摘要称证明向无噪嵌入及积分算子特征函数的收敛，刻画信噪比相关速率与相变，并报告模拟和真实数据比较。
- 阅读关注点
- 应核对流形和噪声条件、环境与流形维数的增长限制，以及带宽选择如何影响收敛结论和经验比较结果。
- 阅读边界
- 仅据版本未注明的索引摘要；未提供具体噪声条件、相变阈值和误差数值，不能将经验优势理解为普遍优越性。
原文摘要
We propose a kernel-spectral embedding algorithm for learning low-dimensional nonlinear structures from noisy and high-dimensional observations, where the data sets are assumed to be sampled from a nonlinear manifold model and corrupted by high-dimensional noise. The algorithm employs an adaptive bandwidth selection procedure which does not rely on prior knowledge of the underlying manifold. The obtained low-dimensional embeddings can be further utilized for downstream purposes such as data visualization, clustering and prediction. Our method is theoretically justified and practically interpretable. Specifically, for a general class of kernel functions, we establish the convergence of the final embeddings to their noiseless counterparts when the dimension grows polynomially with the size, and characterize the effect of the signal-to-noise ratio on the rate of convergence and phase transition. We also prove the convergence of the embeddings to the eigenfunctions of an integral operator defined by the kernel map of some reproducing kernel Hilbert space capturing the underlying nonlinear structures. Our results hold even when the dimension of the manifold grows with the sample size. Numerical simulations and analysis of real data sets show the superior empirical performance of the proposed method, compared to many existing methods, on learning various nonlinear manifolds in diverse applications.