Publication

On the estimation of geodesic paths on sampled manifolds under random projections

Pierre Vandergheynst, Matteo Sorci
2008
Conference Papers

Résumé

In this paper, we focus on the use of random projections as a dimensionality reduction tool for sampled manifolds in high-dimensional Euclidean spaces. We show that geodesic paths approximations from nearest neighbors Euclidean distances are well-preserved by Gaussian projections and we characterize the distribution of geodesic lengths in the reduced dimensional point cloud. A stylized application to a real-world data set of human faces is presented to validate our theoretical findings.

Source officielle

https://infoscience.epfl.ch/entities/publication/78938c86-dfd7-494f-b57a-aa71a1abb528

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

On the estimation of geodesic paths on sampled manifolds under random projections

Chattez avec Graph Search

Learning the intrinsic dynamics of spatio-temporal processes through Latent Dynamics Networks

Towards Trustworthy Deep Learning for Image Reconstruction

Data analysis techniques for the visualization and classification of historical vehicle engines' health status using data-driven solutions