Jaka jest różnica między uczeniem się na wiele sposobów a nieliniową redukcją wymiarów?

Jaka jest różnica między uczeniem się na wiele sposobów a nieliniową redukcją wymiarów ?

Widziałem te dwa terminy używane zamiennie. Na przykład:

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

Uczenie się przez kolektory (często określane również jako nieliniowa redukcja wymiarów) ma na celu osadzenie danych, które pierwotnie leżą w przestrzeni o dużych wymiarach w przestrzeni o niższych wymiarach, przy jednoczesnym zachowaniu charakterystycznych właściwości.

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

W tym samouczku „uczenie się na wiele sposobów” i „redukcja wymiarów” są używane zamiennie.

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

Metody redukcji wymiarów są klasą algorytmów wykorzystujących matematycznie zdefiniowane rozmaitości do statystycznego próbkowania klas wielowymiarowych w celu wygenerowania reguły dyskryminacji o gwarantowanej dokładności statystycznej.

Jednak http://scikit-learn.org/stable/modules/manifold.html jest bardziej dopracowany:

Uczenie się przez kolektory to podejście do nieliniowej redukcji wymiarowości.

Jedną z pierwszych różnic, jakie widzę, jest to, że rozmaitość może być liniowa, dlatego należy porównać uczenie się nieliniowego rozmaitości i nieliniową redukcję wymiarów.

Nieliniowa redukcja wymiarów występuje, gdy metoda zastosowana do redukcji zakłada, że ​​rozmaitość, na której leżą ukryte zmienne, jest ... nieliniowa.

Tak więc dla metod liniowych rozmaitość jest płaszczyzną n-wymiarową, tj. Powierzchnią afiniczną, dla metod nieliniowych tak nie jest.

Termin „uczenie się kolektora” zwykle oznacza metody geometryczne / topologiczne, które uczą się różnorodności nieliniowej.

Możemy więc myśleć o różnorodnym uczeniu się jako podzbioru metod nieliniowej redukcji wymiarów.