May, 2021

t-SNE 可视化高维聚类数据的理论基础

PDF
TL;DR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。
t-distributed stochastic neighbor embeddingnonlinear dimension reductiondata visualizationlaplacian spectral clusteringt-sne
发现论文，激发创造
  • 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

  • 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

  • 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

  • 高效可视化大型图

    本文介绍了一种基于降维的新颖图形可视化方法，称为 t-SGNE。t-SGNE 专门设计用于可视化图中的聚类结构，并通过使用图的邻居结构将时间复杂度从二次降低到线性的方式，支持更大规模的图。此外，结合拉普拉斯特征图嵌入算法和图中的最短路径算法形成了图嵌入算法 SPLEE，可以在 5 分钟内对具有 300K 节点和 1M 边缘的图进行可视化，且可视化质量提升约 10%。

    Oct, 2023

  • 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

  • GraphTSNE：一种用于图结构数据的可视化技术

    本论文提出了 GraphTSNE 其中，结合了图结构和节点特征来产生可视化结果，采用可伸缩和无监督的图卷积网络来训练修改后的 t-SNE 损失函数， 并在三个基准数据集上证明了其产生可取的可视化结果。

    Apr, 2019

  • S+t-SNE - 将降维应用于数据流

    我们介绍了一种名为 S+t-SNE 的 t-SNE 算法的改进版本，它专门用于处理无限数据流，通过在新数据到达时增量更新 t-SNE 嵌入，保证了可扩展性和适应流式场景的能力，使用盲目方法进行漂移管理，调整嵌入空间，实现对不断演变的数据动态的持续可视化，实验评估结果表明 S+t-SNE 的效果和效率，突出其在流式场景中捕捉模式的能力，我们希望该方法能为研究人员和实践者提供一种实时理解和解释高维数据的工具。

    Mar, 2024

  • 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

  • 高维数据降维的层次最近邻图嵌入方法

    提出了一种基于层次结构的 1 - 最近邻图的新方法，可以在保留数据分布多个级别的分组属性的同时，实现具有可解释机制、可视化品质高、运行速度快且可用于多种场景的非监督降维技术，并在不同规模、不同维度的多个数据集上进行了性能比较。

    Mar, 2022

  • 利用方向感知的 t-SNE 可视化高维时序数据

    我们提出了两个互补的、方向感知的损失项，用于优化 t-SNE 的目标函数，强调数据的时间属性，指导优化和生成的嵌入结果，以显示出可能被忽略的时间模式。通过促进定向边的局部方向性，我们的方法产生了更具有时间意义且不那么混乱的可视化结果。

    Mar, 2024