Was ist der Unterschied zwischen vielfältigem Lernen und nichtlinearer Dimensionsreduktion?

Was ist der Unterschied zwischen vielfältigem Lernen und nichtlinearer Dimensionsreduktion ?

Ich habe gesehen, dass diese beiden Begriffe synonym verwendet werden. Beispielsweise:

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

Manifold Learning (oft auch als nichtlineare Dimensionsreduktion bezeichnet) verfolgt das Ziel, Daten, die ursprünglich in einem hochdimensionalen Raum liegen, in einen Raum mit niedrigeren Dimensionen einzubetten und dabei charakteristische Eigenschaften beizubehalten.

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

In diesem Tutorial werden "vielfältiges Lernen" und "Dimensionsreduktion" synonym verwendet.

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

Dimensionalitätsreduktionsmethoden sind eine Klasse von Algorithmen, die mathematisch definierte Mannigfaltigkeiten für die statistische Abtastung mehrdimensionaler Klassen verwenden, um eine Unterscheidungsregel mit garantierter statistischer Genauigkeit zu erzeugen.

Allerdings http://scikit-learn.org/stable/modules/manifold.html ist nuancierter:

Vielfältiges Lernen ist ein Ansatz zur nichtlinearen Dimensionsreduktion.

Ein erster Unterschied, den ich sehen kann, ist, dass eine Mannigfaltigkeit linear sein kann, daher sollte man nichtlineares Mannigfaltigkeitslernen und nichtlineare Dimensionsreduktion vergleichen.

Eine nichtlineare Dimensionsreduktion tritt auf, wenn die zur Reduktion verwendete Methode davon ausgeht, dass die Mannigfaltigkeit, auf der latente Variablen liegen, nicht linear ist.

Bei linearen Methoden ist die Mannigfaltigkeit also eine n-dimensionale Ebene, dh eine affine Oberfläche, bei nichtlinearen Methoden nicht.

Der Begriff "vielfältiges Lernen" bedeutet normalerweise geometrische / topologische Methoden, die nichtlineare Mannigfaltigkeiten lernen.

Wir können uns also vielfältiges Lernen als Teilmenge nichtlinearer Methoden zur Reduzierung der Dimensionalität vorstellen.