The bliss of dimensionality: how an unsupervised criterion identifies optimal low-resolution representations of high-dimensional datasets
Este estudio valida el marco Relevance-Resolution como un criterio no supervisado robusto para identificar representaciones de baja resolución óptimas en datos de alta dimensión, demostrando que sus puntos característicos coinciden consistentemente con las discretizaciones que minimizan la divergencia de Kullback-Leibler respecto a distribuciones de referencia conocidas.