Dimensionality reduction with latent variable model
摘要
在过去几十年，潜伏的可变模型(LVM ) 基于算法为数据维数减小的目的吸引了可观的注意，它在机器学习，模式识别，和计算机视觉起一个重要作用。LVM 是为为观察数据的密度建模的一个有效工具。它在维数减小被使用了处理稀少的观察样品。在这份报纸，二个基于 LVM 的维数减小算法第一被介绍，即，监督 Gaussian 过程潜伏的可变模型和监督半的 Gaussian 过程潜伏的可变模型。然后，我们建议学习模型应付样品不是相等散布的独立人士的盒子的基于 LVM 的转移。最后各个分开，试验性的结果被给表明建议维数减小算法的有效性。
引用本文（GB/T 7714）
Xinbo, Gao Gao, Xiu-Mei, 等. Dimensionality reduction with latent variable model[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2012.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。