子空间-模式识别

1.Jason Gu

我想谈谈我对子空间学习的理解。
子空间学习大致意思是通过投影实现高维特征到低维空间的映射，
是一种经典的降维方法之一。
比如说人脸图像，
每幅图像提取出来的特征通常是1000维度，
这意味着每个样本对应着1000维度空间中的一个点。
然而，
由于维度过高，
给后续计算带来诸多不便，
而且很多人认为真实有效的脸部图像特征可能并没有那么高，
可能只有约100维度，
因此将特征维度从100降到约15也是一种常见的做法。
在模式识别领域中绝大多数的降维方法都属于子空间学习范畴。
总的来说，
子空间学习的主要任务是如何有效地将高维度数据映射到低维度的空间中，
同时保证重要信息不丢失或尽可能减少信息损失。
在这个过程中需要考虑哪些关键指标影响着映射效果，
如何衡量映射后的数据质量等问题。

2.Li Eta

子空间学习：举例而言，在实际应用中我们经常面临这样的场景：假设你手头有一组数据用于分类任务，在高维空间中进行分析会遇到诸多挑战——一方面处理起来较为不便；另一方面计算复杂度相应提高；最终可能导致模型容易过拟合的问题难以解决。

不过我们发现一个问题通常无法得到彻底解决时往往意味着数据中存在某种潜在特性能够帮助我们找到突破口——例如这些高维数据其实集中在某个低维子空间中即使叠加了噪声但仍能通过某种方式提取出该子空间从而有效降