精选理由
这篇论文提出了一种流形学习新方法，用路径集成替代单条路径，在非均匀数据上比UMAP更忠实于测地几何。
EntroPath是一种新的流形学习方法，利用最大熵随机游走（MERW）聚合点之间k步路径全体来构建不相似度，避免局部随机游走的密度集中和最短路径的捷径噪声。其自由能不相似度在短时间极限下通过Varadhan热核公式收敛到平方测地距离。在合成流形和单细胞基准测试中，EntroPath一致优于扩散方法和最短路径方法，在非均匀采样密度流形和分支轨迹上优势明显，与UMAP、t-SNE本地结构指标持平。
AI 翻译 · 中文
EntroPath是一种新的流形学习方法，利用最大熵随机游走（MERW）聚合点之间k步路径全体来构建不相似度，避免局部随机游走的密度集中和最短路径的捷径噪声。其自由能不相似度在短时间极限下通过Varadhan热核公式收敛到平方测地距离。在合成流形和单细胞基准测试中，EntroPath一致优于扩散方法和最短路径方法，在非均匀采样密度流形和分支轨迹上优势明显，与UMAP、t-SNE本地结构指标持平。
We introduce EntroPath, a manifold learning method that recovers geodesic geometry from data graphs through ensembles of diffusion paths. Many existing graph-based embeddings rely either on locally normalised random walk…