Selección automática de parámetros en LLE

Authors

  • Juliana Valencia-Aguirre Universidad Nacional de Colombia sede Manizales
  • Andrés Marino Álvarez-Meza Universidad Nacional de Colombia sede Manizales
  • Genaro Daza-Santacoloma Universidad Nacional de Colombia sede Manizales
  • Carlos Daniel Acosta-Medina Universidad Nacional de Colombia sede Manizales
  • Germán Castellanos-Domínguez Universidad Nacional de Colombia sede Manizales

Keywords:

Inmersiones localmente lineales, número de vecinos más cercanos, regularización automática, reducción de dimensión

Abstract


Inmersión localmente lineal (LLE) es una técnica de reducción de dimensión no lineal que permite conservar la geometría local del espacio de alta dimensión, al realizar una inmersión de los datos a un espacio de baja dimensión. El algoritmo posee 3 parámetros libres que deben ser definidos por el usuario al momento de realizar la inmersión: el número de vecinos más cercanos k, la dimensión de salida de los datos m y el parámetro de regularización a. Este último sólo es necesario determinarlo cuando el número de vecinos elegido es mayor que la dimensión original de los datos, o cuando los puntos (datos) no están ubicados en posición general, pero juega un papel muy importante en el resultado de la inmersión. En este trabajo se propone un par de criterios que permiten encontrar el valor óptimo para los parámetros k y a, de manera que se obtenga una inmersión que represente de manera fiel los datos del espacio de entrada. Con el fin de comprobar la eficacia de los criterios propuestos, se realizaron pruebas sobre dos bases de datos artificiales y dos bases de datos reales. Además, se realiza una comparación de los resultados contra métodos encontrados en el estado del arte.
|Abstract
= 34 veces | PDF (ESPAÑOL (ESPAÑA))
= 15 veces|

Downloads

Download data is not yet available.

References

M. A. Carreira-Perpiñan. “A review of dimension reduction techniques”. Department of Computer Science. University of Sheffield. Tech. Rep. CS-96-09. 1997. pp 1-69.

S. T. Roweis, L. K. Saul. “Nonlinear dimensionality reduction by locally linear embedding”. Science. Vol. 290. 2000. pp. 2323-2326.

L. K. Saul, S. T. Roweis. “An introduction to locally linear embedding”. AT&T Labs and Gatsby Computational Neuroscience Unit. Tech. Rep. 2000. pp 1-16.

L. K. Saul, S. T. Roweis. “Think globally, fit locally: Unsupervised learning of low dimensional manifolds”. Machine Learning Research. Vol. 4. 2003. pp. 119- 155.

M. Polito, P. Perona. “Grouping and dimensionality reduction by locally linear embedding”. NIPS. Vol. 14. 2001. pp. 1255-1262.

D. de Ridder, R. P. W. Duin. Locally linear embedding for classification. Pattern Recongnition Group. Delft University of Technology. Netherlands. Tech. Rep. 2002. pp. 1-15.

P. C. Hansen. Rank-Deficient and Discrete Ill-Posed Problems: Numerical Aspects of Linear Inversion. SIAM. Philadelphia. 1998.

Y. Goldberg, Y. Ritov. “Local procrustes for manifold embedding: a measure of embedding quality and embedding algorithms”. Machine learning. Vol. 77. 2009. pp 1-25.

O. Kouropteva, O. Okun, M. Pietikäinen. Selection of the optimal parameter value for the locally linear embedding algorithm. The 1st ICFSKD. 2002. pp. 359-363.

S. A. Nene, S. K. Nayar, H. Murase. Columbia object image library: Coil-100. Department of Computer Science, Columbia University. NY.Tech. Rep. 1996. pp. 1-16.

A. Tank. Daily dataset of 20th-century surface air temperature and precipitation series for the European climate assessment. Int. Jour. Climatology. Vol. 22. 2002. pp. 1441-1453.

Published

2013-02-28

How to Cite

Valencia-Aguirre, J., Álvarez-Meza, A. M., Daza-Santacoloma, G., Acosta-Medina, C. D., & Castellanos-Domínguez, G. (2013). Selección automática de parámetros en LLE. Revista Facultad De Ingeniería Universidad De Antioquia, (56), 170–181. Retrieved from https://revistas.udea.edu.co/index.php/ingenieria/article/view/14665

Most read articles by the same author(s)