使用 t-SNE 可视化的 GAN 生成手写图像与 MNIST 图像的比较研究
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
我们提出了一种方法来评估图像分类人工神经网络的对抗鲁棒性,该方法利用 t-SNE 技术进行视觉检验,并且通过比较干净和扰动后的嵌入来确定网络中的弱点。通过对比两种不同的人类设计和神经进化设计的神经网络在 CIFAR-10 数据集上的分析,我们发现清晰和扰动表示之间的差异在特征提取层中就开始出现,并且影响后续的分类过程,这些结果得到了 t-SNE 图的视觉分析的支持。
Jun, 2024
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
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
提出了两种新的技术来训练生成对抗网络(GANs),旨在减轻 GAN 中的模式崩溃问题并提高生成样本的质量,通过邻居嵌入和梯度匹配技术,可以显式保留潜在样本的局部结构,从而降低模式崩溃风险,并取得了在 1D / 2D synthetic、CIFAR-10 和 STL-10 数据集上优异的结果。
Nov, 2018
本文中我们应用各种新的架构特点和训练流程来改进生成对抗网络(GANs)框架,并着重讨论了 GANs 的两个应用程序:半监督学习和图像生成。使用我们的技术,我们在 MNIST,CIFAR-10 和 SVHN 的半监督分类方面取得了最先进的成果,并呈现了高质量的生成的 MNIST 和 CIFAR-10 图像样本和 ImageNet 样本,呈现出 ImageNet 类可识别特征的学习过程。
Jun, 2016
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
在保留数据集邻近信息的范围内,我们将自监督对比方法扩展到完全监督的设置,以有效利用标签信息。属于同一类别的样本集群在低维嵌入空间中聚集在一起,同时将不同类别的样本集群推开。
Sep, 2023
提出了一种基于对比学习和邻居嵌入的新方法,称为 t-SimCNE,用于无监督可视化图像数据,并在 CIFAR-10 和 CIFAR-100 数据集上展示了信息丰富的聚类结构和异常值。
Oct, 2022
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