Apa perbedaan antara banyak pembelajaran dan pengurangan dimensi non-linear?

Apa perbedaan antara banyak pembelajaran dan pengurangan dimensi non-linear ?

Saya telah melihat kedua istilah ini digunakan secara bergantian. Sebagai contoh:

http://www.cs.cornell.edu/~kilian/research/manifold/manifold.html :

Manifold Learning (sering juga disebut sebagai pengurangan dimensi non-linear) mengejar tujuan untuk menanamkan data yang awalnya terletak di ruang dimensi tinggi di ruang dimensi yang lebih rendah, sambil mempertahankan sifat-sifat karakteristik.

http://www.stat.washington.edu/courses/stat539/spring14/Resources/tutorial_nonlin-dim-red.pdf :

Dalam tutorial ini 'banyak pembelajaran' dan 'pengurangan dimensi' digunakan secara bergantian.

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC3337666/ :

Metode reduksi dimensi adalah kelas algoritma yang menggunakan manifold yang didefinisikan secara matematis untuk pengambilan sampel statistik kelas multidimensi untuk menghasilkan aturan diskriminasi akurasi statistik yang terjamin.

Namun, http://scikit-learn.org/stable/modules/manifold.html lebih bernuansa:

Manifold learning adalah pendekatan pengurangan dimensi non-linear.

Salah satu perbedaan pertama yang saya lihat adalah bahwa berjenis bisa menjadi linear, maka salah satu harus membandingkan non-linear berjenis belajar dan pengurangan dimensi non-linear.

Pengurangan dimensi non-linear terjadi ketika metode yang digunakan untuk reduksi mengasumsikan bahwa manifold yang menjadi dasar variabel laten adalah, yah ... non-linear.

Jadi untuk metode linear manifold adalah bidang n-dimensi, yaitu permukaan affine, untuk metode non-linear tidak.

Istilah "Manifold learning" biasanya berarti metode geometris / topologi yang mempelajari manifold non-linear.

Jadi kita dapat berpikir tentang pembelajaran berjenis sebagai bagian dari metode pengurangan dimensi non-linear.