1月2日，人工智能系列讀書班活動繼續開展，張曉亮博士主持了“降維與度量學習”内容，先介紹了K近鄰學習、低維嵌入中的多維縮放MDS算法；然後着重介紹了常用的降維算法中的主成分分析PCA、核化線性降維中的核主成分分析KPCA，流形學習的等度量映射Isomap、局部線性嵌入LLE以及度量學習中的近鄰成分分析NCA等：
圖1 張曉亮博士主持“降維與度量學習”讨論會
自由讨論環節，大家集中讨論了同胚（拓撲空間之間的連續性與開閉集的保持；是研究流形性質的重要工具）與同構（結構之間的代數性質的完全一緻性）的區别；大家又分析了常用的幾種核函數（線性核、多項式核、高斯核、徑向基核、Sigmoid核、複合核等），指出預先定義核函數的局限性，着重讨論了從數據中學習到核函數的可能性。
（會議總結：沈來信）