通过惩罚型全维缩放寻找全局极小值
Global Minima by Penalized Full-dimensional Scaling
AI总结：
本文将全维多维缩放应力损失函数与二次外部惩罚项结合，利用惩罚参数递增时的极小化轨迹寻找低维缩放的全局极小值，并通过一二维示例验证。
摘要：
全维（度量、欧几里得、最小二乘）多维缩放应力损失函数与二次外部惩罚函数项相结合。随后，利用惩罚参数递增时的应力极小化轨迹，来寻找低维多维缩放的（试探性）全局极小值。这通过若干一维和二维示例进行了说明。
英文摘要：
The full-dimensional (metric, Euclidean, least squares) multidimensional scaling stress loss function is combined with a quadratic external penalty function term. The trajectory of minimizers of stress for increasing values of the penalty parameter is then used to find (tentative) global minima for low-dimensional multidimensional scaling. This is illustrated with several one-dimensional and two-dimensional examples.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
