Greedy-OPM降维算法论文发布

2026年10月27日，研究人员Tomoki Koike、Benjamin Peherstorfer和Elizabeth Qian在arXiv的机器学习（cs.lg）分类下发布了题为《Greedy Orthogonal Polynomial Manifolds with Lipschitz Control for Dimensionality Reduction and Reduced Modeling》的论文。 该论文提出了Greedy-OPM算法，这是一种通过贪婪选择编码模式与多项式特征来进行降维与模型缩减的方法。算法的核心特点是在控制解码器Lipschitz常数的同时，最小化重建误差，并利用训练数据上的经验正交性在降低维度的同时保留高重建精度。 数值实验表明，Lipschitz约束增强了模型在训练数据之外的泛化能力，证明了该方法在模型缩减方面的有效性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。