通俗版JL引理: 塞下N个向量,只需要O(logN)维空间。
“随机投影”降维思路:给定N个向量v1,v2,⋯,vN∈Rm,如果想要将它降到n维,那么只需要从N(0,1/n)中采样一个n×m矩阵A,然后Av1,Av2,⋯,AvN就是降维后的结果。
参考:苏剑林. (Sep. 24, 2021). 《让人惊叹的Johnson-Lindenstrauss引理:应用篇 》[Blog post]. Retrieved from https://kexue.fm/archives/8706
通俗版JL引理: 塞下N个向量,只需要O(logN)维空间。
“随机投影”降维思路:给定N个向量v1,v2,⋯,vN∈Rm,如果想要将它降到n维,那么只需要从N(0,1/n)中采样一个n×m矩阵A,然后Av1,Av2,⋯,AvN就是降维后的结果。
参考:苏剑林. (Sep. 24, 2021). 《让人惊叹的Johnson-Lindenstrauss引理:应用篇 》[Blog post]. Retrieved from https://kexue.fm/archives/8706