Convex optimization learning of faithful Euclidean distance representations in nonlinear dimensionality reduction
Convex optimization learning of faithful Euclidean distance representations in nonlinear dimensionality reduction
复制标题
非线性降维中忠实欧氏距离表示的凸优化学习
DOI：
10.1007/s10107-016-1090-7
复制
发表时间：
2014-06
影响因子：
2.7
通讯作者：
Qi Hou-Duo
中科院分区：
文献类型：
--
作者：
Ding Chao;Qi Hou-Duo
经典多维缩放只有在高维空间中观测到的含噪距离能够由低维空间中的欧几里得距离精确表示时才能很好地发挥作用。诸如最大方差展开（MVU）等先进模型以及……
Classical multidimensional scaling only works well when the noisy distances observed in a high dimensional space can be faithfully represented by Euclidean distances in a low dimensional space. Advanced models such as Maximum Variance Unfolding (MVU) and
登录
查看更多内容
DOI：
10.5555/1953048.2185803
发表时间：
2009-10
期刊：
ArXiv
影响因子：
--
作者：
B. Recht
通讯作者：
B. Recht
影响因子：
3.1
作者：
Opsahl, Tore;Panzarasa, Pietro
通讯作者：
Panzarasa, Pietro
DOI：
--
发表时间：
2012-03
期刊：
--
影响因子：
--
作者：
A. Paprotny;J. Garcke
通讯作者：
A. Paprotny;J. Garcke
影响因子：
32.8
作者：
Burges, Christopher J. C.
通讯作者：
Burges, Christopher J. C.
DOI：
10.5555/1756006.1859920
发表时间：
2009-06
期刊：
J. Mach. Learn. Res.
影响因子：
--
作者：
Raghunandan H. Keshavan;A. Montanari;Sewoong Oh
通讯作者：
Raghunandan H. Keshavan;A. Montanari;Sewoong Oh