Image de couverture de livre

Learning Ordered Representations in Latent Space for Intrinsic Dimension Estimation via Principal Component Autoencoder

Fuente: arXiv

Enregistré dans:

Détails bibliographiques
Auteurs principaux:	Zhan, Qipeng, Zhou, Zhuoping, Wang, Zexuan, Shen, Li
Format:	Preprint
Publié:	2026
Sujets:	Machine Learning
Accès en ligne:	Acceder al recurso
Tags:	Ajouter un tag Pas de tags, Soyez le premier à ajouter un tag!

Documents similaires

Multi-Scale Geometric Autoencoder
par: Zhan, Qipeng, et autres
Publié: (2025)

Bi-Lipschitz Autoencoder With Injectivity Guarantee
par: Zhan, Qipeng, et autres
Publié: (2026)

Generative Cross-Entropy: A Strictly Proper Loss for Data-Efficient Classification
par: Zhan, Qipeng, et autres
Publié: (2026)

Fair CCA for Fair Representation Learning: An ADNI Study
par: Hou, Bojian, et autres
Publié: (2025)

Rethinking Intrinsic Dimension Estimation in Neural Representations
par: Schulte, Rickmer, et autres
Publié: (2026)

Distributional Principal Autoencoders
par: Shen, Xinwei, et autres
Publié: (2024)

Fairness-Aware Estimation of Graphical Models
par: Zhou, Zhuoping, et autres
Publié: (2024)

Thinner Latent Spaces: Detecting Dimension and Imposing Invariance with Conformal Autoencoders
par: Kevrekidis, George A., et autres
Publié: (2024)

Learning Interpretable Features in Audio Latent Spaces via Sparse Autoencoders
par: Paek, Nathan, et autres
Publié: (2025)

Latent Space Inference via Paired Autoencoders
par: Hart, Emma, et autres
Publié: (2026)

Principal Component Analysis in Space Forms
par: Tabaghi, Puoya, et autres
Publié: (2023)

Verification of Unknown Dynamical Systems via Autoencoder Latent Space
par: Reed, Robert, et autres
Publié: (2025)

Principal Orthogonal Latent Components Analysis (POLCA Net)
par: H., Jose Antonio Martin, et autres
Publié: (2024)

Measuring the Intrinsic Dimension of Earth Representations
par: Rao, Arjun, et autres
Publié: (2025)

Understanding Variational Autoencoders with Intrinsic Dimension and Information Imbalance
par: Camboulin, Charles, et autres
Publié: (2024)

Intrinsic Dimension Estimating Autoencoder (IDEA) Using CancelOut Layer and a Projected Loss
par: Oriou, Antoine, et autres
Publié: (2025)

A Novel Approach for Intrinsic Dimension Estimation
par: Özçoban, Kadir, et autres
Publié: (2025)

Towards Unsupervised Causal Representation Learning via Latent Additive Noise Model Causal Autoencoders
par: Ong, Hans Jarett J., et autres
Publié: (2025)

Unsupervised High Impedance Fault Detection Using Autoencoder and Principal Component Analysis
par: Liu, Yingxiang, et autres
Publié: (2023)

Quantification via Gaussian Latent Space Representations
par: Pérez-Mon, Olaya, et autres
Publié: (2025)

i-MAE: Are Latent Representations in Masked Autoencoders Linearly Separable?
par: Zhang, Kevin, et autres
Publié: (2022)

Knowledge Transfer across Multiple Principal Component Analysis Studies
par: Li, Zeyu, et autres
Publié: (2024)

On the Intrinsic Dimensions of Data in Kernel Learning
par: Takhanov, Rustem
Publié: (2026)

Adaptive Compression of the Latent Space in Variational Autoencoders
par: Sejnova, Gabriela, et autres
Publié: (2023)

Long-Term Individual Causal Effect Estimation via Identifiable Latent Representation Learning
par: Cai, Ruichu, et autres
Publié: (2025)

Local Hessian Spectral Filtering for Robust Intrinsic Dimension Estimation
par: Osada, Genki
Publié: (2026)

eDCF: Estimating Intrinsic Dimension using Local Connectivity
par: Gupta, Dhruv, et autres
Publié: (2025)

Robust Tensor Principal Component Analysis: Exact Recovery via Deterministic Model
par: Shen, Bo, et autres
Publié: (2020)

ARD-VAE: A Statistical Formulation to Find the Relevant Latent Dimensions of Variational Autoencoders
par: Saha, Surojit, et autres
Publié: (2025)

Exploring Representation-Aligned Latent Space for Better Generation
par: Xu, Wanghan, et autres
Publié: (2025)

Metric-Aware Principal Component Analysis (MAPCA):A Unified Framework for Scale-Invariant Representation Learning
par: Leznik, Michael
Publié: (2026)

Generative Principal Component Regression via Variational Inference
par: Talbot, Austin, et autres
Publié: (2024)

Highly Adaptive Principal Component Regression
par: Wang, Mingxun, et autres
Publié: (2026)

Differentially Private and Scalable Estimation of the Network Principal Component
par: Khayatian, Alireza, et autres
Publié: (2025)

TL-PCA: Transfer Learning of Principal Component Analysis
par: Hendy, Sharon, et autres
Publié: (2024)

Robust Principal Component Analysis via Discriminant Sample Weight Learning
par: Deng, Yingzhuo, et autres
Publié: (2024)

A Wiener Process Perspective on Local Intrinsic Dimension Estimation Methods
par: Tempczyk, Piotr, et autres
Publié: (2024)

CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing
par: Ghahramani, Mohammadhossein, et autres
Publié: (2026)

Calibrated Principal Component Regression
par: Wu, Yixuan Florence, et autres
Publié: (2025)

Robust Principal Component Completion
par: Wang, Yinjian, et autres
Publié: (2026)