We will demonstrate how ideas from kernel interpolation can be extended for use as a tool to understand the geometry of point clouds and perform analysis for functions defined on it. Reformulating the relevant interpolation problems as optimization problems also suggests natural a natural regularization that proves effective when the data is noisy. The regularization parameter admits a probabilistic interpretation that clarifies its meaning. Numerical experiments will be presented.
Des diplômes universitaires en ligne qui s'adaptent à votre vie et à votre carrière
Découvrez nos travaux académiques et rencontrez nos chercheurs
Des opportunités d'apprentissage ouvertes à toutes et à tous
Découvrez notre institution et collaborez avec nous
