haku: @supervisor Simula, Olli / yhteensä: 292
hakutulos-lista
viite: 8 / 292
« edellinen | seuraava »
Tekijä:Zhu, Zhanxing
Työn nimi:Supervised distance preserving projections for dimensionality reduction
Julkaisutyyppi:Diplomityö
Julkaisuvuosi:2011
Sivut:ix + 53      Kieli:   eng
Koulu/Laitos/Osasto:Tietotekniikan laitos
Oppiaine:Informaatiotekniikka   (T-61)
Valvoja:Simula, Olli
Ohjaaja:Corona, Francesco
OEVS:
Sähköinen arkistokappale on luettavissa Aalto Thesis Databasen kautta.
Ohje
sulje

Digitaalisten opinnäytteiden lukeminen Aalto-yliopiston Harald Herlin -oppimiskeskuksen suljetussa verkossa

Oppimiskeskuksen suljetussa verkossa voi lukea sellaisia digitaalisia ja digitoituja opinnäytteitä, joille ei ole saatu julkaisulupaa avoimessa verkossa.

Oppimiskeskuksen yhteystiedot ja aukioloajat: https://learningcentre.aalto.fi/fi/harald-herlin-oppimiskeskus/

Opinnäytteitä voi lukea Oppimiskeskuksen asiakaskoneilla, joita löytyy kaikista kerroksista.

Kirjautuminen asiakaskoneille

  • Aalto-yliopistolaiset kirjautuvat asiakaskoneille Aalto-tunnuksella ja salasanalla.
  • Muut asiakkaat kirjautuvat asiakaskoneille yhteistunnuksilla.

Opinnäytteen avaaminen

  • Asiakaskoneiden työpöydältä löytyy kuvake:

    Aalto Thesis Database

  • Kuvaketta klikkaamalla pääset hakemaan ja avaamaan etsimäsi opinnäytteen Aaltodoc-tietokannasta. Opinnäytetiedosto löytyy klikkaamalla viitetietojen OEV- tai OEVS-kentän linkkiä.

Opinnäytteen lukeminen

  • Opinnäytettä voi lukea asiakaskoneen ruudulta tai sen voi tulostaa paperille.
  • Opinnäytetiedostoa ei voi tallentaa muistitikulle tai lähettää sähköpostilla.
  • Opinnäytetiedoston sisältöä ei voi kopioida.
  • Opinnäytetiedostoa ei voi muokata.

Opinnäytteen tulostus

  • Opinnäytteen voi tulostaa itselleen henkilökohtaiseen opiskelu- ja tutkimuskäyttöön.
  • Aalto-yliopiston opiskelijat ja henkilökunta voivat tulostaa mustavalkotulosteita Oppimiskeskuksen SecurePrint-laitteille, kun tietokoneelle kirjaudutaan omilla Aalto-tunnuksilla. Väritulostus on mahdollista asiakaspalvelupisteen tulostimelle u90203-psc3. Väritulostaminen on maksullista Aalto-yliopiston opiskelijoille ja henkilökunnalle.
  • Ulkopuoliset asiakkaat voivat tulostaa mustavalko- ja väritulosteita Oppimiskeskuksen asiakaspalvelupisteen tulostimelle u90203-psc3. Tulostaminen on maksullista.
Sijainti:P1 Ark Aalto  8666   | Arkisto
Avainsanat:supervised dimensionality reduction
regression
classification
optimization
kernel
Tiivistelmä (eng): Facing with high-dimensional data, dimensionality reduction is an essential technique for overcoming the "curse of dimensionality" problem.
This work focuses on supervised dimensionality reduction, especially for regression tasks.
The goal of dimensionality reduction for regression is to learn a low-dimensional representation of the original high-dimensional data such that this new representation leads to accurate regression predictions.

Motivated by continuity preservation, we propose a novel algorithm for supervised dimensionality reduction named Supervised Distance Preserving Projection (SDPP).
In order to preserve the continuity in the low-dimensional subspace, we resort to considering the local geometrical structure of the original input space and response space.
Inside a neighborhood of each point in the input space, the optimization criterion of SDPP tries to minimize the difference between the distances of the projected covariates and distances of the responses.
Consequently, this minimization of distance differences leads to the effect that the local geometrical structure of the low-dimensional subspace optimally matches the geometrical characteristics of the response space.
The local match not only facilitates an accurate regressor design but also uncovers the necessary information for visualization.
Different optimization schemes are proposed for solving SDPP efficiently.
Moreover, the parametric mapping we learned can easily handle the out-of-sample data points.
A kernelized version of SDPP is derived for nonlinear data.
An intuitive extension of SDPP is also presented for classification tasks.

We compare the performance of our method with state-of-the-art algorithms on both synthetic and real-world data.
These comparisons show the superiority of our approach on the task of dimensionality reduction for regression and classification.
ED:2011-12-14
INSSI tietueen numero: 43252
+ lisää koriin
« edellinen | seuraava »
INSSI