Quelle est la différence entre un apprentissage multiple et une réduction de dimensionnalité non linéaire?

Quelle est la différence entre un apprentissage multiple et une réduction de dimensionnalité non linéaire ?

J'ai vu ces deux termes être utilisés de manière interchangeable. Par exemple:

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

L'apprentissage multiple (souvent également appelé réduction de dimensionnalité non linéaire) poursuit l'objectif d'incorporer des données qui se trouvent à l'origine dans un espace de grande dimension dans un espace de dimension inférieure, tout en préservant les propriétés caractéristiques.

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

Dans ce didacticiel, «l'apprentissage multiple» et la «réduction de la dimensionnalité» sont utilisés de manière interchangeable.

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

Les méthodes de réduction de dimensionnalité sont une classe d'algorithmes qui utilisent des variétés définies mathématiquement pour l'échantillonnage statistique des classes multidimensionnelles afin de générer une règle de discrimination d'une précision statistique garantie.

Cependant, http://scikit-learn.org/stable/modules/manifold.html est plus nuancé:

L'apprentissage multiple est une approche de la réduction de la dimensionnalité non linéaire.

Une première différence que je peux voir est qu'une variété peut être linéaire, donc il faut comparer l' apprentissage de variétés non linéaires et la réduction de dimensionnalité non linéaire.

La réduction de dimensionnalité non linéaire se produit lorsque la méthode utilisée pour la réduction suppose que la variété sur laquelle reposent les variables latentes est, eh bien ... non linéaire.

Donc, pour les méthodes linéaires, la variété est un plan à n dimensions, c'est-à-dire une surface affine, pour les méthodes non linéaires, ce n'est pas le cas.

Le terme "apprentissage multiple" signifie généralement des méthodes géométriques / topologiques qui apprennent un nombre non linéaire.

Nous pouvons donc considérer l'apprentissage multiple comme un sous-ensemble de méthodes de réduction de la dimensionnalité non linéaire.