假設有14個對象，每個對象有或沒有1000個二進制特徵。我有一個14x14的相似度矩陣，但不是原始的14x1000數據。考慮到相似性矩陣，是否有方法重建或生成類似於原始數據的東西？如何從相似度矩陣生成數據？
我嘗試過蒙特卡羅模擬，但不受約束，他們會花費太多時間來實現與原始相似矩陣的低水平一致性。
我看到這個相關的問題：Similarity matrix -> feature vectors algorithm?。但是，他們希望減少不增加維度。另外，我不確定（1）要使用哪個矩陣或矩陣，以及（2）如何轉換爲二進制矩陣。
除非您描述如何計算相似性分數，否則無法確定。
一般而言，對於通常的相似性評分來說，這是不可能的：在從單個特徵到綜合統計的轉換中信息丟失了。您希望做的最好的事情是獲得一組與相似性分數一致的功能。
我認爲這就是你說的當你說「相似」的原始。這個問題很有趣。假設相似性計算爲兩個特徵向量的點積（即，一對對象都具有值= 1 /真的特徵的計數）。這不是唯一的選擇：它與0（假）的值相一致，意味着沒有信息。但它可能會推廣到其他相似性度量。
在這種情況下，問題實際上是一個線性規劃問題：一種天真的方法是徹底搜索可能對象的空間 - 不是隨機的，而是受約束條件的指導。例如，假設SIM（A，B）：=對象A和對象B的相似度。定義這些向量的順序。如果SIM（A，B）= N，則選擇A = B minimal（如（1，...，1（N次），0，... 0（1000-N次）） ，然後選擇最小的C st（A，C），（B，C）都有給定的值，一旦發現不一致性，回溯和增量，
這會找到一致的答案，非常高（但比蒙特卡洛可能更好）
找到一個更好的算法是一個有趣的問題，比這個我不能在SO後說，但更多的 - 這可能是一個CS論文的選題
！