【随机算法】Johnson-Lindenstrauss Theorem 详细解读
来源:互联网 发布:淘宝大学哪个老师最好 编辑:程序博客网 时间:2024/06/03 18:11
前言
最近经常接触降维, 主要是做图像处理和视频处理的维度实在是比较多, 降维这个可真是真正的技术活儿, 而且在不同情况下降维的选择至关重要, 可以说会影响到最终的结果,今天主要是详细讲解一下其中一种当今的降维准则.
Johnson-Lindenstrauss Theorem的问题定义
首先, JL要解决的问题非常简单(只是陈述比较简单而已), 在一个高维的欧式空间(距离用欧式距离表示) . 我们想要把这些点移动到一个低维的空间, 当时要保证空间转换后,没两两个点之间的距离几乎不变.
正规点说就是, 找到一个映射关系:,里面任意两个点u,v,使得和只有一点点的不同,其中 ,是两点的欧式距离.
其实这个问题真的挺有意义的,因为维度太高会造成非常大的计算难度, 这样的转换后,"内容"没有改变,只是把"多余"的运算去掉了.
Johnson-Lindenstrauss Theorem
JL理论证明了解决这个问题的可能性.
Johnson-Lindenstrauss Theorem
- For any 0 < ε < 1 and any positive integer n, let k be a positive integer such that
- Then for any set V of n points in , there is a map such that for all ,
- .
- Furthermore, this map can be found in expected polynomial time.
The random projections
映射关系 是可以随机构造的, 以下这种是JL在论文中用到的一种:
The projection (due to Johnson-Lindenstrauss)
- Let A be a random matrix that projects onto a uniform random k-dimensional subspace.
- Multiply A by a fixed scalar . For every , v is mapped to .
构造后的点 是 的其中一个向量.
参数 是为了保证.
其实还有详细的证明,在论文中,有兴趣的可以看一个南京大学的讨论班,非常详细,分享地址:http://download.csdn.net/detail/luoyun614/8008745
0 0
- 【随机算法】Johnson-Lindenstrauss Theorem 详细解读
- Johnson 算法
- KMP算法详细解读
- 稀疏图Johnson算法
- 【技巧】浅谈Johnson算法
- 作业调度-johnson算法
- java 排序算法详细解读
- alpha blending算法--详细解读
- 机器学习基础 维基翻译 Johnson-Lindenstrauss降维 应用于广义因子模型 及简单的sklearn例子
- 流水作业调度的Johnson 算法
- 流水作业调度问题 Johnson 算法
- Johnson
- Java排序算法详细解读(1)
- Java排序算法详细解读(2)
- java排序算法详细解读(3)
- java 排序算法详细解读(4)
- java 排序算法详细解读(5)
- 详细解读KMP模式匹配算法
- 黑马程序员:Java基础——多线程的概念与创建
- ubuntu 防火墙 开启与关闭
- 前端基本知识
- Linux 环境下wordpress后台安装主题及插件需要FTP帐号怎么办?
- 移动开发(IOS) –传感器
- 【随机算法】Johnson-Lindenstrauss Theorem 详细解读
- 浮点数陷阱
- 微信应用附近地点搜索两种不同方式
- 总结
- 各排序算法
- 关于JS
- C++ 堆排序
- 迭代开发
- [DOM元素处理] 使用jQuery获取iframe元素的value属性值 IE-firefox可以用