?
Locally isometric and conformal parameterization of image manifold
Ch. 7. P. 1-7.
В печати
В книге
Barcelona : SPIE, 2015
Янович Ю. А., В кн. : Сборник статей конференции "Информационные технологии и системы" (ИТиС'16). : М. : ИППИ РАН, 2016. С. 191-197.
В машинном обучении при построении регрессионных зависимостей или решении задач классификации многомерные описания объектов часто являются избыточными и функционально зависимыми. Такие описания зачастую лежат около многообразий существенно меньшей размерности, чем размерность их первичной записи. Данное предположение называется гипотезой многообразия (Manifold Hypothesis). Использование такой информации может помочь в решении исходной задачи. Так возникает задача оценивания многообразий. ...
Добавлено: 24 ноября 2016 г.
Alanov A., Kochurov M., Volkhonskiy D. и др., , in : Proceedings of the 15th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISAPP 2020). Vol. 4.: SciTePress, 2020. P. 214-221.
Добавлено: 8 ноября 2020 г.
Пучкин Н. А., Спокойный В. Г., Journal of Machine Learning Research 2022 Vol. 23 No. 40 P. 1-62
Добавлено: 3 февраля 2022 г.
Кулешов А. П., Bernstein A. V., Янович Ю. А., Ученые записки Казанского университета. Серия: Физико-математические науки 2018 Vol. 160 No. 2 P. 327-338
Добавлено: 28 октября 2020 г.
Абрамов Е. Н., Янович Ю. А., Ученые записки Казанского университета. Серия: Физико-математические науки 2018 Vol. 160 No. 2 P. 220-228
Добавлено: 29 октября 2020 г.
Кулешов А. П., Бернштейн А. В., , in : Machine Learning and Data Mining in Pattern Recognition. Vol. 8556.: Springer, 2014. P. 119-133.
Добавлено: 30 сентября 2014 г.
Бернштейн А. В., Кулешов А. П., Янович Ю. А., , in : Data Science and Advanced Analytics (DSAA), 2015. 36678 2015. IEEE International Conference on. : P. : IEEE, 2015. P. 1-10.
In many Data Analysis tasks, one deals with data that are presented in high-dimensional spaces. In practice original high-dimensional data are transformed into lower-dimensional representations (features) preserving certain subject-driven data properties such as distances or geodesic distances, angles, etc. Preserving as much as possible available information contained in the original high-dimensional data is also an ...
Добавлено: 14 января 2016 г.
Yanovich Yury Aleksandrovich, Journal of Mathematics and Statistics 2016 Vol. 12 No. 3 P. 157-175
Добавлено: 24 ноября 2016 г.
Nikita Puchkin, Vladimir Spokoiny, Eugene Stepanov и др., ESAIM - Control, Optimisation and Calculus of Variations 2024 Vol. 30 Article 3
Добавлено: 2 февраля 2024 г.
Kachan O. N., Янович Ю. А., Абрамов Е. Н., Ученые записки Казанского университета. Серия: Физико-математические науки 2018 Vol. 160 No. 2 P. 300-308
Добавлено: 29 октября 2020 г.
Янович Ю. А., Proceedings of Machine Learning Research 2017 Vol. 60 P. 18-38
In many applications, the real high-dimensional data occupy only a very small part in the high dimensional ‘observation space’ whose intrinsic dimension is small. The most popular model of such data is Manifold model which assumes that the data lie on or near an unknown manifold (Data Manifold, DM) of lower dimensionality embedded in an ...
Добавлено: 15 июня 2017 г.
Бернштейн А. В., Кулешов А. П., Янович Ю. А., Lecture Notes in Computer Science 2015 Vol. 9047 P. 414-423
Добавлено: 30 августа 2015 г.
Бернштейн А. В., Кулешов А. П., Янович Ю. А., , in : Abstructs of the 29-th European Meeting of Statisticians. : Budapest : Bernoulli Society, 2013. P. 325-325.
Let X be an unknown nonlinear smooth q-dimensional Data manifold (D-manifold) embedded in a p-dimensional space (p> q) covered by a single coordinate chart. It is assumed that the manifold's condition number is positive so X has no self-intersections. Let Xn={X1, X2,..., Xn}⊂ X⊂ Rp be a sample randomly selected from the D-manifold Xindependently of each other according ...
Добавлено: 24 сентября 2015 г.
Бернштейн А. В., Кулешов А. П., International Journal of Software and Informatics 2013 No. 7(3) P. 359-390
One of the ultimate goals of Manifold Learning (ML) is to reconstruct an unknown nonlinear low-dimensional Data Manifold (DM) embedded in a high-dimensional observation space from a given set of data points sampled from the manifold. We derive asymptotic expansion and local lower and upper bounds for the maximum reconstruction error in a small neighborhood ...
Добавлено: 21 ноября 2014 г.
Кулешов А. П., Bernstein A. V., Янович Ю. А., Ученые записки Казанского университета. Серия: Физико-математические науки 2018 Vol. 160 No. 2 P. 327-338
Добавлено: 28 октября 2020 г.