Think globally, fit locally under the manifold setup: Asymptotic analysis of locally linear embedding
流形设定下的全局思考与局部拟合：局部线性嵌入的渐近分析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：摘要研究流形学习与非线性降维理论，未涉及所列因子模型或其他具体计量方向。
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
流形设定下的全局思考与局部拟合：局部线性嵌入的渐近分析
- 研究问题
- 局部线性嵌入在流形上的渐近极限是什么，非均匀采样和正则化选择如何影响它与几何算子之间的联系？
- 方法与思路
- 作者在流形设定下分析局部线性嵌入的渐近行为，推导对应核函数，并与扩散映射和局部线性回归进行比较。
- 材料陈述的贡献
- 摘要称，其极限未必是 Laplace–Beltrami 算子，采样影响取决于正则化选择；所推导核函数还显示该方法不是马尔可夫过程。
- 阅读关注点
- 应核对流形和采样的条件、邻域尺度与正则化的配合，以及核函数性质如何支持算子极限和马尔可夫性质的判断。
- 阅读边界
- 仅据版本未注明的索引摘要，未给出正确正则化的具体形式、边界处理或收敛速率，不能据此判断实际降维性能。
原文摘要
Since its introduction in 2000, Locally Linear Embedding (LLE) has been widely applied in data science. We provide an asymptotical analysis of LLE under the manifold setup. We show that for a general manifold, asymptotically we may not obtain the Laplace–Beltrami operator, and the result may depend on nonuniform sampling unless a correct regularization is chosen. We also derive the corresponding kernel function, which indicates that LLE is not a Markov process. A comparison with other commonly applied nonlinear algorithms, particularly a diffusion map, is provided and its relationship with locally linear regression is also discussed.