流形维度估计方法解析
1. 引言
在处理输入空间时,准确估计其维度是一个重要且具有挑战性的问题。尽管每个输入模式可能有多个属性,但这些属性不一定相互独立,因此输入空间的实际维度可能小于属性的数量。本文将探讨利用Delaunay图来估计输入空间维度的方法,分析现有方法的优缺点,并介绍一种更有效的维度估计方法。
2. Delaunay图与维度估计
2.1 Delaunay图的作用
当Voronoi中心在输入空间X上分布良好时,Delaunay图可以描述输入空间的结构,因此具有许多应用,其中之一就是估计输入空间X的维度。
2.2 现有方法:计算Voronoi区域的平均邻居数量
一些研究人员提出通过计算Voronoi区域的平均邻居数量来估计输入空间X的维度。这种方法在低维欧几里得空间中已经使用了很长时间。具体做法是,在一定的空间随机点过程下,将Voronoi中心分布在欧几里得空间中,然后测量和记录不同低维欧几里得空间中Voronoi区域的各种统计信息,包括平均面数。
2.3 实验设置与结果
使用竞争学习将1000个神经元放置到输入空间X = [—1,1]^n中,从该空间中均匀随机抽取50,000个样本。得到的统计数据如下表所示:
| n | card(Ni) |
| — | — |
| 1 | 2.9980 |
| 2 | 6.2640 |
| 3 | 10.3860 |
| 4 | 14.5560 |
| 5 | 18.5940 |
| 6 | 22.4980 |
| 7 | 26.
超级会员免费看
订阅专栏 解锁全文
34

被折叠的 条评论
为什么被折叠?



