Principal subbundles for dimension reduction

要約

この論文では、点群の局所線形近似を組み合わせてより低次元のバンドルを取得することにより、サブリーマン幾何学を多様体学習と表面再構築にどのように使用できるかを示します。
ローカル PCA によって取得されたローカル近似は、$\mathbb{R}^d$, $k要約(オリジナル)

In this paper we demonstrate how sub-Riemannian geometry can be used for manifold learning and surface reconstruction by combining local linear approximations of a point cloud to obtain lower dimensional bundles. Local approximations obtained by local PCAs are collected into a rank $k$ tangent subbundle on $\mathbb{R}^d$, $karxiv情報

提供元, 利用サービス

arxiv.jp, Google