基于PCA的降维样本外扩展
机器学习
2015-11-04 v1
摘要
降维方法在高维数据分析领域非常常见。通常，降维算法的计算代价高昂。因此，它们应用于海量数据分析是不切实际的。例如，由于数据累积而重复计算在计算上令人望而却步。本文提出了一种样本外扩展方案，用作降维的补充方法。我们描述了一种对新到达数据点执行样本外扩展的算法。与其他扩展算法（如Nyström算法）不同，所提算法利用数据的内在几何和降维映射的性质。我们证明了所提算法的误差是有界的。除样本外扩展外，该算法还提供任何新到达数据点的异常程度。
引用
@article{arxiv.1511.00831,
title = {PCA-Based Out-of-Sample Extension for Dimensionality Reduction},
author = {Yariv Aizenbud and Amit Bermanis and Amir Averbuch},
journal= {arXiv preprint arXiv:1511.00831},
year = {2015}
}