Random projections have recently em

Random projections have recently emerged as a powerful method for dimensionality reduction. Theoretical results indicate that the method preserves distances quite nicely; however, empirical results are sparse. We present experimental results on using random projection as a dimensionality reduction tool in a number of cases, where the high dimensionality of the data would otherwise lead to burden-some computations. Our application areas are the processing of both noisy and noiseless images, and information retrieval in text documents. We show that projecting the data onto a random lower-dimensional subspace yields results comparable to conventional dimensionality reduction methods such as principal component analysis: the similarity of data vectors is preserved well under random projection. However, using random projections is computationally significantly less expensive than using, e.g., principal component analysis. We also show experimentally that using a sparse random matrix gives additional computational savings in random projection.

ผลลัพธ์ (ไทย) 1:

ประมาณสุ่มได้เพิ่งเกิดเป็นวิธีที่มีประสิทธิภาพสำหรับการลด dimensionality ทฤษฎีผลบ่งชี้ว่า วิธีการรักษาระยะทางอย่างมาก อย่างไรก็ตาม ผลรวมเป็นบ่อ เรานำเสนอผลการทดลองใช้ฉายภาพสุ่มเป็นเครื่องมือลด dimensionality ในหลายกรณี ที่ dimensionality สูงของข้อมูลจะนำไปสู่ภาระ-ประมวลผลบางอย่าง พื้นที่แอพพลิเคชันของเรามีการประมวลผลของภาพเสียง และเสียงดัง และเรียกข้อมูลในเอกสารข้อความ แสดงว่า projecting ข้อมูลบน subspace ล่างมิติแบบสุ่มทำให้ผลลัพธ์วิธีลด dimensionality เทียบได้กับแบบธรรมดาเช่นการวิเคราะห์ส่วนประกอบหลัก: ความคล้ายกันของเวกเตอร์ข้อมูลจะถูกรักษาไว้ระหว่างการฉายภาพที่สุ่ม อย่างไรก็ตาม สุ่มประมาณจะ computationally มากถูกกว่าใช้ เช่น การวิเคราะห์ส่วนประกอบหลักด้วย เราแสดง experimentally ว่า ใช้เมทริกซ์สุ่มบ่อให้ประหยัดคำนวณเพิ่มเติมในการฉายภาพแบบสุ่มด้วย

ผลลัพธ์ (ไทย) 3:

แผนการสุ่มที่เพิ่งเกิดขึ้นเป็นวิธีที่มีประสิทธิภาพเพื่อลด dimensionality . ผลทางทฤษฎีพบว่าวิธีการรักษาระยะทางได้ดี อย่างไรก็ตาม ผลเป็นป่าโปร่ง เรานำเสนอผลการทดลองในการใช้เป็นเครื่องมือในการลดอัตราการสุ่ม dimensionality ในหลายกรณีที่ dimensionality สูงของข้อมูลมิฉะนั้นจะนำไปสู่ภาระบางรูป . พื้นที่การใช้งานของเรามีการประมวลผลของทั้งเสียงดังและเสียง ภาพ และการสืบค้นสารสนเทศในเอกสารข้อความเราแสดงให้เห็นว่าการยื่นข้อมูลลงสุ่มลดมิติได้ให้ผลลัพธ์เทียบเท่ากับการลดแบบ dimensionality วิธีการเช่นการวิเคราะห์องค์ประกอบหลัก : ความเหมือนกันของข้อมูลที่ถูกเก็บรักษาไว้อย่างดีภายใต้การฉายเวกเตอร์แบบสุ่ม อย่างไรก็ตาม การใช้แผนการสุ่มเป็น computationally อย่างมีนัยสำคัญน้อยราคาแพงกว่าการใช้ เช่น การวิเคราะห์องค์ประกอบหลักนอกจากนี้เรายังแสดงผลที่ใช้สุ่มจะช่วยให้ประหยัดการคำนวณเมทริกซ์หร็อมแหร็มเพิ่มเติมใน
ฉายแบบสุ่ม