K 最近邻诱导的拓扑 PCA 用于 scRNA 序列数据分析
原文中文,约400字,阅读约需1分钟。发表于: 。提出了一种拓扑主成分分析 (tPCA) 方法,通过持久 Laplacian 技术和 L$_{2,1}$ 范数正则化的组合来解决多尺度和多类别异质性问题,进一步引入了 k - 最近邻持久 Laplacian 技术来提高鲁棒性。在 11 个多样的 scRNA-seq 数据集上验证了 tPCA 和 kNN-tPCA 方法的有效性,并展示了这些方法在无监督 PCA 增强、UMAP、tSNE 和...
本研究使用PCA研究了在CIFAR-10上训练的ResNet-18的逐层学习表示对分类器性能的影响。研究发现,20%的中间特征空间方差即可实现高精度分类。研究结果与神经崩溃现象联系起来,并提供了中间神经崩溃相关现象的部分证据。研究还展示了利用几个代理模型来估计DNN中可能开始出现神经崩溃的聪明方法。