Machine learningDimensionality reduction
Random Projection
Random projection은 데이터에 무작위 행렬을 곱하여 차원을 축소하는 기법으로, Johnson-Lindenstrauss lemma (1984)에 기반합니다. 이 원리는 충분히 많은 무작위 방향으로 투영하면 모든 쌍별 거리가 근사적으로 보존된다는 것을 보장합니다. PCA와 달리 데이터를 전혀 분석하지 않고 투영이 무작위적이고 데이터에 독립적이므로, 매우 고차원 데이터 및 스트리밍 또는 개인 정보 보호가 중요한 환경에 매우 적합합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Johnson, W. B., & Lindenstrauss, J. (1984). Extensions of Lipschitz mappings into a Hilbert space. Contemporary Mathematics, 26, 189–206. DOI: 10.1090/conm/026/737400 ↗
- Achlioptas, D. (2003). Database-friendly random projections: Johnson-Lindenstrauss with binary coins. Journal of Computer and System Sciences, 66(4), 671–687. DOI: 10.1016/S0022-0000(03)00025-4 ↗
이 페이지 인용 방법
ScholarGate. (2026, June 2). Random Projection (Johnson-Lindenstrauss Dimensionality Reduction). ScholarGate. https://scholargate.app/ko/machine-learning/random-projection
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
Compare side by side →