On dimension reduction in Gaussian filters par Hakkarainen, Janne, Solonen, Antti, Cui, Tiangang, Marzouk, Youssef M

“…A priori dimension reduction is a widely adopted technique for reducing the computational complexity of stationary inverse problems. …”
Accéder au texte intégral
Accéder au texte intégral
Accéder au texte intégral
Accéder au texte intégral

Sampling-based algorithms for dimension reduction par Deshpande, Amit Jayant

Accéder au texte intégral

Dimension reduction in recurrent networks by canonicalization par Grigoryeva, Lyudmila, Ortega, Juan-Pablo

“…The classical notion of canonical state-space realization is adapted in this paper to accommodate semi-infinite inputs so that it can be used as a dimension reduction tool in the recurrent networks setup. …”
Accéder au texte intégral

Multifidelity Dimension Reduction via Active Subspaces par Lam, Remi R, Zahm, Olivier, Marzouk, Youssef M, Willcox, Karen E

“…We propose a multifidelity dimension reduction method to identify a low-dimensional structure present in many engineering models. …”
Accéder au texte intégral

Feature dimension reduction for microarray data analysis par Shi, Chao

Accéder au texte intégral

Dimension reduction for semidefinite programs via Jordan algebras par Permenter, Frank Noble, Parrilo, Pablo A.

Accéder au texte intégral

Likelihood-informed dimension reduction for nonlinear inverse problems par Martin, J., Cui, Tiangang, Marzouk, Youssef M., Solonen, Antti, Spantini, Alessio

“…From a Bayesian perspective, changes from the prior to the posterior may, in many problems, be confined to a relatively low-dimensional subspace of the parameter space. We present a dimension reduction approach that defines and identifies such a subspace, called the 'likelihood-informed subspace' (LIS), by characterizing the relative influences of the prior and the likelihood over the support of the posterior distribution. …”
Accéder au texte intégral
Accéder au texte intégral
Accéder au texte intégral
Accéder au texte intégral
Accéder au texte intégral

Point cloud denoising by robust PCA dimension reduction par Guo, Yu

Accéder au texte intégral

Dimension reduction of streaming data via random projections par Cosma, I

Convergence rate of dimension reduction in Bose-Einstein condensates par Bao, W, Ge, Y, Jaksch, D, Markowich, P, Weishaeupl, R

“…In this paper, we study dimension reduction of the three-dimensional (3D) Gross-Pitaevskii equation (GPE) modeling Bose-Einstein condensation under different limiting interaction and trapping frequency parameter regimes. …”

Gradient-Based Dimension Reduction of Multivariate Vector-Valued Functions par Zahm, Olivier, Constantine, Paul G, Prieur, Clémentine, Marzouk, Youssef M

“…A numerical illustration shows that using gradients of the function yields effective dimension reduction. We also show how the choice of norm on the codomain of the function has an impact on the function's low-dimensional approximation.…”
Accéder au texte intégral

Gradient-Based Dimension Reduction of Multivariate Vector-Valued Functions par Zahm, Olivier, Constantine, Paul G, Prieur, Clémentine, Marzouk, Youssef M

“…A numerical illustration shows that using gradients of the function yields effective dimension reduction. We also show how the choice of norm on the codomain of the function has an impact on the function's low-dimensional approximation.…”
Accéder au texte intégral

Semi-supervised dimension reduction using trace ratio criterion par Huang, Yi, Xu, Dong, Nie, Feiping

“…In this brief, we address the trace ratio (TR) problem for semi-supervised dimension reduction. We first reformulate the objective function of the recent work semi-supervised discriminant analysis (SDA) in a TR form. …”
Accéder au texte intégral
Accéder au texte intégral

Alternative Model for Extracting Multidimensional Data Based-on Comparative Dimension Reduction par Sembiring, Rahmat Widia, Jasni, Mohamad Zain, Abdullah, Embong

“…In line with the technological developments, the current data tends to be multidimensional and high dimensional, which is more complex than conventional data and need dimension reduction. Dimension reduction is important in cluster analysis and creates a new representation for the data that is smaller in volume and has the same analytical results as the original representation. …”
Accéder au texte intégral

A time-triggered dimension reduction algorithm for the task assignment problem par Wang, H, Margellos, K, Papachristodoulou, A

“…The computational speed is accelerated via our time-triggered dimension reduction scheme, where the triggering condition is designed based on the optimality tolerance and the convexity of the cost function. …”

Improved interpretability of brain-behaviour CCA with domain-driven dimension reduction par Smith, SM, Liu, Z, Whittaker, K, Nichols, T

“…In this paper, we introduce a Domain-driven Dimension Reduction (DDR) method, reducing the dimensionality of the original datasets combining human knowledge of the structure of the variables studied. …”

Scaling Bayesian optimization for engineering design : lookahead approaches and multifidelity dimension reduction par Lam, Remi Roger Alain Paul

Accéder au texte intégral

Gradient-based dimension reduction for Bayesian inverse problems and simulation-based inference par Brennan, Michael Cian

“…Our final thrust broadens the applicability of gradient-based dimension reduction to problems where such gradients are not available. …”
Accéder au texte intégral
Accéder au texte intégral

Dimension reduction algorithms for near-optimal low-dimensional embeddings and compressive sensing par Grant, Elyot

Accéder au texte intégral

Patch distribution compatible semisupervised dimension reduction for face and human gait recognition par Huang, Yi, Xu, Dong, Nie, Feiping

“…We propose a new semisupervised learning algorithm, referred to as patch distribution compatible semisupervised dimension reduction, for face and human gait recognition. …”
Accéder au texte intégral
Accéder au texte intégral