摘要
一个新歧管的学习方法，叫的增长排列方法(IAM)，与内在的低维数为高维的数据的非线性的维数减小被建议。主要想法是逐渐地排列输入数据patch-by-patch的低维的坐标反复地产生全部数据集的表示。方法由二主要的步，增长的步和排列步组成。增长的步逐渐地寻找邻居补丁在下一步被排列，并且排列步反复地排列寻找产生全部数据集的embeddings的邻居补丁的低维的坐标。与存在相比歧管的学习方法，建议方法在几统治方面：高效率，容易的out-of-sample扩展，很好公制保存，并且本地最小问题避免。所有这些性质被在合成、真实的数据集上执行的一系列实验支持。另外，建议方法的计算复杂性被分析，并且它的效率理论上被说服并且试验性地示威了。
出版日期
2011年01月11日（中国期刊网平台首次上网日期，不代表论文的发表时间）
