dimension reduction and data visualization aim to project a high-dimensional
dataset to a low-dimensional space while capturing the intrinsic structures in
the data. It is an indispensable part of modern data sci
扩展视觉技术在物理学中非常普遍,然而由于数据立方体的光谱构成对其解释提出了挑战。为了解决这个问题,我们探索了在编码空间中应用无监督聚类方法的可能性,通过数据立方体像素的光谱属性进行深层聚类,该过程由经过训练的变分自动编码器进行统计降维,同时聚类过程由可学习的迭代 K 均值聚类算法执行。我们将这一技术应用于两个不同的物理起源用例:一组关于绘画艺术品的宏观映射 X 射线荧光(MA-XRF)合成数据和模拟天体观测的数据集。