Feb, 2019

重尾核揭示 t-SNE 可视化中更精细的聚类结构

PDF
TL;DR该论文介绍了一种新的降维数据可视化方法 t-SNE，使用一个具有任意自由度的 t 分布核，并演示了通过修改 t-SNE 核函数的尾重量可以揭示更细节的簇结构，解决了 SNE 的拥挤问题，同时证明了这种方法在实际应用中具有实用意义。
发现论文，激发创造
  • 核 t 分布随机邻域嵌入

    本文介绍了 t-SNE 算法的核化版本，能够将高维数据映射到低维空间并在非欧几里德度量下保留数据点之间的成对距离，可以通过仅在高维空间或在两个空间中使用核技巧来实现，提供了数据点之间关系的新视角，改进了包括使用核方法的分类问题的性能和准确性，并利用多个数据集阐明了 t-SNE 和其核化版本之间的区别，展示了不同类别点的更整洁的聚类。

    Jul, 2023

  • t-SNE 可视化高维聚类数据的理论基础

    本文对 t-SNE 算法的理论框架进行了研究，在梯度下降法的基础上提出了一种新的理论框架；对于 t-SNE 的 embedding 阶段，文中还对其低维映射的运动学进行了表征和说明。通过本文，我们发现了 t-SNE 的内在机制并说明其在可视化聚类数据方面具有非凡的实用性。

    May, 2021

  • 数据可视化中 t-SNE 算法的分析

    通过建立数据可视化形式的二维嵌入来正确地分离数据簇，使用 t-SNE 启发式的数据可视化方法在广泛的应用场景中成为事实上的标准，该研究提供了一种正式框架和分析，以分析数据可视化问题下 t-SNE 的性能表现，并且在满足特定条件时能部分恢复聚类结构。

    Mar, 2018

  • 高效算法的 t - 分布随机邻域嵌入

    本论文介绍了一种名为 FIt-SNE 的快速傅里叶变换加速插值 t-SNE 方法和 out-of-core PCA 方法，这些方法可以加速 t-SNE 的计算，并允许在资源有限的计算机上计算大型数据集的 t-SNE。

    Dec, 2017

  • t-SNE-CUDA: GPU 加速的 t-SNE 及其在现代数据中的应用

    该论文引入了 t-SNE-CUDA，它是一种 GPU 加速的 t 分布对称邻域嵌入（t-SNE）实现，用于可视化数据集和模型。t-SNE-CUDA 在图像和自然语言处理领域的数据集上实现了 50-700 倍的速度提升，从而实现了对整个 ImageNet 数据集的神经网络激活的可视化，并展示了 GloVe 嵌入向量的可视化效果。

    Jul, 2018

  • Wasserstein t-SNE

    本文介绍了一种使用 Wasserstein 距离度量内部分布形状的探索性层次数据集分析方法，并使用 t-SNE 构建了两维嵌入空间，以揭示 2017 年德国议会选举数据中分区与投票站之间的有意义结构。

    May, 2022

  • 使用 GTSNE 可视化数据

    GTSNE 是一种可视化高维数据点的新方法，通过捕捉数据的局部邻域结构和宏观结构来获得更好的可视化表现，并在广泛的数据集上展示了其性能优于 t-SNE 和 UMAP 等传统方法。

    Aug, 2021

  • 随机梯度下降中的重尾现象

    本文阐述了随机梯度下降（SGD）在深度学习中的泛化性能与最小值的浅奥关系，并通过线性回归等简单问题分析证明了参数选择会对算法的收敛率及概率分布产生影响。

    Jun, 2020

  • 调整和计算基于采样的 t-SNE 嵌入的困惑度

    在这篇论文中，我们提出了一种基于采样的嵌入方法，用于解决在分析高维数据时使用二维可视化技术会导致次优嵌入的问题。我们展示了如何根据采样率和预期的最终嵌入选择合适的超参数，并说明了这种方法如何加快计算速度并提高嵌入的质量。

    Aug, 2023

  • Barnes-Hut-SNE

    本文提出了一种基于 vantage-point trees 的 t-SNE 实现算法，并使用 Barnes-Hut 算法来计算给出的高维数据点对之间的作用力，实验证明该算法相比于常规 t-SNE 具有更强的计算优势，且可以用于处理数据集建模任务。

    Jan, 2013