
<html><head><meta http-equiv="Content-Type" content="text/html charset=us-ascii"></head><body style="word-wrap: break-word; -webkit-nbsp-mode: space; -webkit-line-break: after-white-space; ">Dear all,<br><br>We are pleased to advertise Matlab code for computing entropic affinities<br>as described in the following paper:<br><br> M. Vladymyrov and M. A. Carreira-Perpinan: "Entropic affinities:<br> properties and efficient numerical computation", ICML 2013.<br> <a href="https://eng.ucmerced.edu/people/vladymyrov">https://eng.ucmerced.edu/people/vladymyrov</a><br> <a href="http://faculty.ucmerced.edu/mcarreira-perpinan/papers.html">http://faculty.ucmerced.edu/mcarreira-perpinan/papers.html</a><br><br>The code efficiently and accurately computes Gaussian affinities for every<br>point in the dataset with a variable bandwidth sigma that corresponds to a<br>desired perplexity (effective number of neighbors) K.<br><br>The entropic affinities were originally introduced in:<br> G. Hinton and S. T. Roweis: "Stochastic Neighbor Embedding", NIPS 2002.<br>Although these affinities have been mostly used with nonlinear embedding<br>algorithms, we believe they can give good results in many other problems<br>were Gaussian affinities are used, such as manifold learning, clustering<br>or semi-supervised learning. The code is available in the authors'<br>websites above.<br><br>Sincerely,<br>Max Vladymyrov and Miguel A. Carreira-Perpinan</body></html>