本文介绍了一种名为 NeuroDAVIS 的无监督深度神经网络模型，用于高维数据的降维和可视化，该模型在大量合成和真实高维数据集上表现出了竞争力，特别是在保留数据大小、形状和本地全局结构方面。

Apr, 2023

本文旨在深入探讨降维方法中保留局部和全局结构的重要性，针对保留局部结构提出了一些新的设计原则，并发掘出保留哪些部分对于保持全局结构的重要性，在此基础上提出一种新的降维算法 PaCMAP，该算法同时保留了局部和全局结构，并为构建降维算法时提供了一些出乎意料的设计选择报告。

Dec, 2020

本文提出了一种名为 DarkSight 的、灵感来源于 “暗知识” 的方式来可视化分类器的预测结果，实现了将深度分类器压缩成简化模型的同时进行降维，从而有效避免了标准降维方法所可能存在的不准确或者误导性的问题。与 t-SNE 的可视化方法相比，DarkSight 可视化更具信息量，并且可以通过分析 “暗知识” 量化预测结果的置信度。

Mar, 2018

我们提出了一种新的方法，用于生成信息丰富的嵌入，该方法不仅消除了与不同类型先验知识相关的结构，还旨在揭示任何剩余的基本结构，通过采用两个目标的线性组合：首先是对先验信息相关结构进行折扣的对比主成分分析 (contrastive PCA)，其次是通过峰度投影追求 (kurtosis projection pursuit) 确保得到的嵌入中存在有意义的数据分离，并将此任务形式化为流形优化问题，并在考虑三种不同类型的先验知识的各种数据集上进行了经验验证，最后，我们提供了一个自动化框架，用于对高维数据进行迭代的视觉探索。

Sep, 2023

针对计算机视觉中的不透明模型解释困难的问题，同时受到科学研究对可解释的模型的需求，该研究提出了将易于解释的 EBM 模型扩展至科学图像领域的方法，并通过 Gabor 小波变换对图像数据进行处理，改进了当前图像可解释性方法。

May, 2023

机器学习方法在自动早期诊断阿尔茨海默病方面展示了巨大的潜力。本研究提出了一种结合可解释性增强机器（EBM）和基于深度学习的特征提取的框架，以高维成像数据为基础有效识别阿尔茨海默病及认知下降。该框架具有可解释性并通过提供每个特征的重要性来解释决策。研究结果表明，该框架在阿尔茨海默病和认知下降的分类中表现出优异的准确性和面积下曲线（AUC），且显著优于使用体积生物标志物或端到端卷积神经网络（CNN）的 EBM 模型。

Aug, 2023

提出了一种基于噪声对比估计的高性能降维方法 NCVis，其在速度和表现质量方面优于现有技术，在处理自然语言的大数据集时速度也很快，可极大简化大规模数据分析并降低该领域的入门门槛。

Jan, 2020

通过使用替代交叉功能选择、集成功能和模型配置技术等新方法，改进了可解释性较强的 EBM 模型，以提高其可靠性和解释性，并在三个基准数据集上进行了验证。

Jul, 2023

使用最小绝对收缩与选择算子（LASSO）的简单解决方案可以通过重新加权各个模型项并删除不相关的项来引入稀疏性，从而使易解释的增强机模型在高维度环境中保持透明度和相对较快的评分时间。

Nov, 2023

该论文表明降维方法 UMAP 和 t-SNE 可以近似重构为与 ProbDR 中引入的广义 Wishart 模型对应的 MAP 推断方法，这种解释不仅可以提供对这些算法更深入的理论洞察，还引入了研究类似降维方法的工具。

May, 2024