# 流形假设

> 流形假设认为，现实中的很多高维数据集实际上沿着高维空间内的低维潜流形分布。流形假设的结果是，很多最初看起来需要很多变量描述的数据集，实际上只需要较少变量，这好比底流形的局部坐标系。有人认为，这原理是机器学习算法通过考虑一些共有特征以有效描述高维数据集的基础。 流形假设与机器学习中非线性降维的有效性有关。流形雕刻、流形对齐、流形正则化等很多降维技术都假设数据位于低维子流形上。 流形假设的主要意义在于 机器学习模型只需要在潜输入空间（潜流形）内拟合相对简单、低维、结构化的子空间。 这些流形中，总有可能在两输入间进行插值，即通过连续路径将输入变为另一输入，而所有点仍落在流形上。 在样本间插值的能力…

- ID: m05932
- 分类: technical
- 领域: 物理学

## 定义

尽管现实世界的数据（如图片像素）处于极高维的空间中，但有意义的数据其实分布在一个低维的流形（Manifold）上。例如，人脸图片虽然有百万像素，但受限于物理结构（两只眼一张嘴），其变化自由度其实很低。脚手架作用： 复杂表象下的简单结构。世界看起来杂乱无章（高维），但实际上受少数几个底层变量（低维流形）控制。洞察力就是穿透高维噪音，找到那个低维曲面的能力。

## 机制

高维观测数据实际近似分布在某个低维流形上，而非均匀填满空间；因此可借降维与流形学习捕捉其内在结构，是表征学习的重要前提。

## 练习

假设数据位于低维流形；用PCA、t-SNE、UMAP或自编码器把高维映射到低维；在流形坐标上做分类/生成；验证结构保持。

## 脚手架用法

复杂表象下的简单结构。世界看起来杂乱无章（高维），但实际上受少数几个底层变量（低维流形）控制。洞察力就是穿透高维噪音，找到那个低维曲面的能力。

[阅读网页](https://thinkingmodels.site/entries/detail/m05932)