跳到正文
热点事件持续更新

随机投影降维用于聚类

1 篇报道1 个报道来源1 小时前更新

先了解这件事

AI 综述

FrnkNlsn 分享了利用 Johnson-Lindenstrauss 引理将高维数据降维后再进行 k-means 聚类的方法,称其能在尽量保留数据结构的同时降低计算成本。 该引理可将 ℝ^d 中的 n 个点嵌入 O((1/ε²)·log n) 维空间,并使点对距离保持在原距离的 (1±ε) 范围内;随机投影矩阵的系数取自标准正态分布,再按 k/d 缩放。高维 embedding 因而可先降至 O(log n) 维,再进行 k-means 等聚类。

AI 根据报道生成 · 1 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月22日
  1. AGI Hunt
    Johnson-Lindenstrauss 引理:随机投影可低失真降维做 k-means

    Johnson-Lindenstrauss 引理可将 R^d 中任意 n 个点嵌入 k=O((1/ε²)·log n) 维空间,并将点对距离失真控制在 (1±ε) 以内。随机投影矩阵 A 的系数取标准正态分布,再按 k/d 缩放。基于这一方法,高维 embedding 可先降至 O(log n) 维,再进行 k-means 聚类,在几乎不损失结构的同时降低计算成本。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。