少核高识别
用数据内在的测地距离替代欧氏距离构建基函数，使网络能提取流形上的本质空间分布特征，对高维非线性数据更具判别力。
赵阳 · 裴继红 · 杨烜
Neural Networks 2024
用广义测地距离替代欧氏距离，能揭示数据更本质的空间结构特征，因此在多个数据集上超越了现有方法。
DLPP-G2BFNN 在取得更高识别性能的同时，使用的核数量更少，网络更紧凑。
G2BFNN 是通用网络架构，可与任何流形学习方法结合，方便适配不同数据和任务。