Inferring manifolds using Gaussian processes
利用高斯过程推断流形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：摘要研究通用流形学习与高斯过程重建，未明确关联因子模型或其他所列经济计量细分方向。
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
利用高斯过程推断流形
- 研究问题
- 如何从复杂数据中估计其低维流形结构，而不仅获得低维坐标，并利用估计流形对原始数据去噪及在观测点之间插值？
- 方法与思路
- 作者研究流形邻近样本的局部协方差性质，将全局流形重建转化为局部回归问题，再用高斯过程实施概率化重建。
- 材料陈述的贡献
- 摘要称，所提方法能够估计流形并在拟合数据点之间插值，提供相应理论依据，并通过模拟和真实数据示例说明表现。
- 阅读关注点
- 应核对采样、噪声和流形几何条件，检查局部邻域选择、协方差估计及全局拼接，并明确概率化重建中的不确定性含义。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未给出几何与噪声假设、重建误差或去噪性能数值，不能据此判断任意复杂数据下的可靠性。
原文摘要
Abstract It is often of interest to infer lower-dimensional structure underlying complex data. As a flexible class of nonlinear structures, it is common to focus on Riemannian manifolds. Most existing manifold-learning algorithms replace the original data with lower-dimensional coordinates without providing an estimate of the manifold or using it to denoise the original data. This article proposes a new methodology to address these issues, allowing interpolation of the estimated manifold between the fitted data points. The proposed approach is motivated by the novel theoretical properties of local covariance matrices constructed from samples near a manifold. Our results enable the transformation of a global manifold-reconstruction problem into a local regression problem, allowing the application of Gaussian processes for probabilistic manifold reconstruction. In addition to the theory justifying our methodology, we provide simulated and real data examples to illustrate its performance.