blocks|key|1531493|text|来自科学知识-学习的两位候选人(可能还有更多)：|type|unstyled|depth|inlineStyleRanges|entityRanges|offset|length|data|1531494|增量PCA：类似批处理的|unordered-list-item|1531495|截断SVD：稀疏|1531496|有更多的支持inverse_transform，但我只接受那些支持稀疏输入或批量工作的。|style|CODE|1531497|保持10k维听起来非常内存密集型，即使使用稀疏输入。|1531498|entityMap|0|LINK|mutability|MUTABLE|url|http://scikit-learn.org/stable/modules/classes.html#module-sklearn.decomposition|1|http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.IncrementalPCA.html#sklearn.decomposition.IncrementalPCA|2|http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.TruncatedSVD.html#sklearn.decomposition.TruncatedSVD^0|2|7|0|0|0|5|1|0|0|5|2|0|6|H|0|0^^$0|@$1|2|3|4|5|6|7|10|8|@]|9|@$A|11|B|12|1|13]]|C|$]]|$1|D|3|E|5|F|7|14|8|@]|9|@$A|15|B|16|1|17]]|C|$]]|$1|G|3|H|5|F|7|18|8|@]|9|@$A|19|B|1A|1|1B]]|C|$]]|$1|I|3|J|5|6|7|1C|8|@$A|1D|B|1E|K|L]]|9|@]|C|$]]|$1|M|3|N|5|6|7|1F|8|@]|9|@]|C|$]]|$1|O|3|-4|5|6|7|1G|8|@]|9|@]|C|$]]]|P|$Q|$5|R|S|T|C|$U|V]]|W|$5|R|S|T|C|$U|X]]|Y|$5|R|S|T|C|$U|Z]]]]

Two candidates from <a href="http://scikit-learn.org/stable/modules/classes.html#module-sklearn.decomposition" rel="nofollow">scikit-learn</a> (there might be more):

<ul>
<li><a href="http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.IncrementalPCA.html#sklearn.decomposition.IncrementalPCA" rel="nofollow">Incremental PCA</a>: batch-like</li>
<li><a href="http://scikit-learn.org/stable/modules/generated/sklearn.decomposition.TruncatedSVD.html#sklearn.decomposition.TruncatedSVD" rel="nofollow">Truncated SVD</a>: sparse</li>
</ul>

There are more supporting <code>inverse_transform</code>, but i took only the ones supporting sparse-input or working on batches.

Keeping 10k dimensions sounds very memory-intensive though, even when using sparse-input.

Is there a list of dimension reduction techniques which are revertible (I can go back and forth between sub manifold and original space) and scale well to large (>1million dimensions)? The vector is very sparse. Ideally I could find a rough subspace of interest on a small number of examples (reduce to ~10k dimensions), and then train something like an autoencoder on the subspace for fine control. 

<ul>
<li>Going straight for an auto-encoders is probably out of the picture as a FC layers with >1M input size becomes very difficult memory wise.</li>
<li>PCA is an option, but has a huge memory footprint.</li>
<li>Random Projection doesn't seem to have a way to revert back to the original space?</li>
</ul>

Thanks!

Revertible Dimension Reduction for Many Dimensions

翻译质量差，导致语言生硬或混乱。

没有提供实际的解决方法或示例。

解答不清晰，无法理解或解决问题。

页面排版不美观，阅读体验差。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

是否有一个可逆(我可以在子流形和原始空间之间来回来回)和规模很大(>100万维)的降维技术列表？向量非常稀疏。理想情况下，我可以在少量的示例中找到感兴趣的粗糙子空间(降到~10k维)，然后在子空间上训练类似于自动编码器的内容，以便进行精细控制。直接使用自动编码器可能超出了图片的范围，因为输入大于1M的FC层在内存方面变得非常困难。PCA是一种选择，但是内存占用很大。随机投影似乎没有办法恢复到原来的

问多维可逆降维
EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问多维可逆降维EN