High-Dimensional Density Estimation for Data Mining Tasks

    Результат исследований: Глава в книге, отчете, сборнике статейМатериалы для конференциирецензирование

    4 Цитирования (Scopus)

    Аннотация

    Consider a problem of estimating an unknown high dimensional density whose support lies on unknown low-dimensional data manifold. This problem arises in many data mining tasks, and the paper proposes a new geometrically motivated solution for the problem in manifold learning framework, including an estimation of an unknown support of the density. Firstly, tangent bundle manifold learning problem is solved resulting in transforming high dimensional data into their low-dimensional features and estimating the Riemannian tensor on the Data manifold. After that, an unknown density of the constructed features is estimated with the use of appropriate kernel approach. Finally, with the use of estimated Riemannian tensor, the final estimator of the initial density is constructed.

    Язык оригиналаАнглийский
    Название основной публикацииProceeding - 17th IEEE International Conference on Data Mining Workshops, ICDMW 2017
    РедакторыRaju Gottumukkala, George Karypis, Vijay Raghavan, Xindong Wu, Lucio Miele, Srinivas Aluru, Xia Ning, Guozhu Dong
    ИздательIEEE Computer Society
    Страницы523-530
    Число страниц8
    ISBN (электронное издание)9781538614808
    DOI
    СостояниеОпубликовано - 15 дек. 2017
    Событие17th IEEE International Conference on Data Mining Workshops, ICDMW 2017 - New Orleans, Соединенные Штаты Америки
    Продолжительность: 18 нояб. 201721 нояб. 2017

    Серия публикаций

    НазваниеIEEE International Conference on Data Mining Workshops, ICDMW
    Том2017-November
    ISSN (печатное издание)2375-9232
    ISSN (электронное издание)2375-9259

    Конференция

    Конференция17th IEEE International Conference on Data Mining Workshops, ICDMW 2017
    Страна/TерриторияСоединенные Штаты Америки
    ГородNew Orleans
    Период18/11/1721/11/17

    Fingerprint

    Подробные сведения о темах исследования «High-Dimensional Density Estimation for Data Mining Tasks». Вместе они формируют уникальный семантический отпечаток (fingerprint).

    Цитировать