流形学习（Manifold Learning）是一类基于流形假设的非线性降维技术，核心思想是发现高维数据中内在的低维几何结构，并实现有效表示。以下为基础认知要点

核心假设：流形假设

高维观测数据（如图像、文本特征）通常分布在一个低维流形上。
例：人脸图像虽由大量像素组成，但受光照、姿态、表情等少数因素控制，本质上可能只有几十个自由度。

与线性降维的区别

• 线性方法（如PCA）假设数据是线性结构的，但现实数据往往具有非线性关系。
• 流形学习能捕捉非线性拓扑,保持数据在局部或全局的几何特性。

典型算法

• 等距特征映射（Isomap）：基于测地距离保持全局结构，通过邻接图计算近似测地线距离后进行多维缩放（MDS）。
• 局部线性嵌入（LLE）：假设局部邻域内数据点呈线性关系，通过重构权重保持局部结构。
• 拉普拉斯特征映射（Laplacian Eigenmaps）：基于图拉普拉斯算子，使相似的点在低维空间中靠近。
• t-SNE：利用概率分布衡量相似性，擅长保留局部结构并实现可视化聚类。
• UMAP：基于拓扑理论，兼顾局部与全局结构，计算效率高。

主要应用

• 数据可视化（降至2D/3D）
• 特征提取与预处理
• 数据去噪与压缩
• 模式识别辅助

注意事项

• 维数灾难：需足够样本以估计流形结构。
• 噪声敏感：噪声可能破坏邻域图构建。
• 参数选择：邻域大小等参数影响结果，需谨慎调整。

标签： 流形学习 非线性降维