Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Introduction Kapitel lesen Erstes Kapitel lesen

2014 | OriginalPaper | Buchkapitel

6. Large Scale Data

verfasst von : Harry Strange, Reyer Zwiggelaar

Erschienen in: Open Problems in Spectral Dimensionality Reduction

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this chapter the problems of using spectral dimensionality reduction with large scale datasets are outlined along with various solutions to these problems. The computational complexity of various spectral dimensionality reduction algorithms are looked at in detail. There is also often much overlap between the solutions in this chapter and what has been discussed previously with regards to incremental learning. Finally, some parallel and GPU based implementation aspects are discussed.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Incorporating New Points
Nächstes Kapitel Postscript
Literatur
1.
Witten, I.H., Frank, E., Hall, M.A.: Data Mining: Practical Machine Learning Tools and Techniques, 3rd edn. Elsevier (2011)
2.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, E.: Scikit-learn: Machine learning in Python. Journal of Machine Learning Research 12, 2825–2830 (2011)
3.
Dijkstra, E.W.: A note on two problems in connexion with graphs. Numerische Mathematik 1, 269–271 (1959)
4.
Floyd, R.W.: Algorithm 97: Shortest path. Communications of the ACM 5(6), 345 (1962)
5.
Chen, W., Weinberger, K.Q., Chen, Y.: Maximum variance correction with application to A* search. In: Proceedings of the 30th International Conference on Machine Learning (2013)
6.
van der Maaten, L., Postma, E., van den Herik, J.: Dimensionality reduction: A comparitive review. Tech. Rep. TiCC-TR 2009–005, Tilburg University (2009). Unpublished
7.
Mishne, G., Cohen, I.: Multiscale anomaly detectiong using diffusion maps. IEEE Journal of Selected Topics in Signal Processing 7(1), 111–123 (2013)
8.
Fokkema, D.R., Sleijpen, G.L.G., Vorst, H.A.v.: Jacobi-Davidson style QR and QZ algorithms for the reduction of matrix pencils. SIAM Journal on Scientific Computing 20(1), 94–125 (1999)
9.
10.
Cayton, L.: Algorithms for manifold learning. Tech. Rep. CS2008-0923, University of California San Diego (2005)
11.
Fowlkes, C., Belongie, S., Chung, F., Malik, J.: Spectral grouping using the nyström method. IEEE Transactions on Pattern Analysis and Machine Intelligence 26(2), 214–225 (2004)
12.
Nyström, E.J.: Über die Praktische Auflösung von Linearen Integralgleichungen mit Anwendungen auf Randwertaufgaben der Potentialtheorie. Commentationes Physio-Mathematicae 4(15), 1–52 (1928)
13.
Williams, C.K.I., Seeger, M.: Using the Nyström method to speed up kernel machines. In: Advances in Neural Information Processing Systems 13: Proceedings of the 2001 Conference (NIPS), pp. 682–688 (2001)
14.
Baker, C.T.: The numerical treatment of integral equations. Clarendon Press (1977)
15.
Ham, J., Lee, D.D., Mika, S., Schölkopf, B.: A kernel view of the dimensionality reduction of manifolds. In. In Proceedings of the 21st International Conference on Machine Learning, pp. 47–55 (2004)
16.
Kumar, S., Mohri, M., Talwalkar, A.: Samping techniques for the nyström method. Journal of Machine Learning Research 13(1), 981–1006 (2012)
17.
Drineas, P., Mahoney, M.W.: On the nyström method for approximating a Gram matrix for improved kernel-based learning. Journal of Machine Learning Research 6, 2153–2175 (2005)
18.
Drineas, P., Kannan, R., Mahoney, M.W.: Fast Monte Carlo algorithms for matrices II: Computing a low-rank approximation matrix. SIAM Journal on Computing 36, 158–183 (2006)
19.
Deshpande, A., Rademacher, L., Vempala, S., Wang, G.: Matrix approximation and projective clustering via volume sampling. Theory of Computing 2(12), 225–247 (2006)
20.
Zhang, K., Kwok, J.T.: Clustered Nyström Method for Large Scale Manifold Learning and Dimension Reduction. IEEE Transactions on Neural Networks 21(10), 1576–1587 (2010)
21.
Silva, V.d., Tenenbaum, J.B.: Global versus local methods in nonlinear dimensionality reduction. In: Advances in Neural Information Processing Systems 15: Proceedings of the 2003 Conference (NIPS), pp. 705–712. MIT Press (2003)
22.
Law, M., Jain, A.: Incremental nonlinear dimensionality reduction by manifold learning. IEEE Transactions on Pattern Analysis and Machine Intelligence 28(3), 377–391 (2006)
23.
Narváez, P., Siu, K.Y., Tzeng, H.Y.: New dynamic algorithms for shortest path tree computation. IEEE/ACM Transactions on Networking 8(6), 734–746 (2000)
24.
Vladymyrov, M., Carreira-Perpiñán, M.A.: Locally linear landmarks for large-scale manifold learning. In: In Proceedings of the 24th European Conference on Machine Learning and Princicples and Applications of Knowledge Discovery in Databases (ECML/PKDD), pp. 256–271 (2013)
25.
Silva, V.d., Tenenbaum, J.B.: Sparse multidimensional scaling using landmark points. Tech. rep., Stanford University (2004)
26.
Weinberger, K.Q., Packer, B.D., Saul, L.K.: Nonlinear dimensionality reduction by semidefinite programming and kernel matrix factorization. In: In Proceedings of the Tenth International Workshop on Artificial Intelligence and Statistics, pp. 381–388 (2005)
27.
28.
Campana-Olivo, R., Manian, V.: Parallel implementation of nonlinear dimensionality reduction methods applied in object segmentation using CUDA and GPU. In: Proceedings of Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XVII, pp. 80,480R–80,480R–12 (2011)
29.
NVIDIA Corporation: NVIDIA CUDA C Programming Guide (2011)
30.
Tenenbaum, J.B., de Silva, V., Langford, J.C.: A global geometric framework for nonlinear dimensionality reduction. Science 290, 2319–2322 (2000)
31.
Roweis, S.T., Saul, L.K.: Nonlinear dimensionality reduction by Locally Linear Embedding. Science 290, 2323–2326 (2000)
32.
Belkin, M., Niyogi, P.: Laplacian eigenmaps and spectral techniques for embedding and clustering. In: Advances in Neural Information Processing Systems 14: Proceedings of the 2002 Conference (NIPS), pp. 585–591 (2002)
33.
34.
Talwalkar, A., Kumar, S., Mohri, M., Rowley, H.: Manifold Learning Theory and Applications, chap. Large-Scale Manifold Learning, pp. 121–143. CRC Press (2012)
35.
Talwalkar, A., Kumar, S., Rowley, H.: Large-scale manifold learning. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 1–8 (2008)
Metadaten
Titel
Large Scale Data
verfasst von
Harry Strange
Reyer Zwiggelaar
Copyright-Jahr
2014
Buch
Open Problems in Spectral Dimensionality Reduction

Print ISBN: 978-3-319-03942-8

Electronic ISBN: 978-3-319-03943-5

Copyright-Jahr: 2014

DOI
https://doi.org/10.1007/978-3-319-03943-5_6