t-SNE公司

用t-SNE可视化数据。我们提出了一种称为“t-SNE”的新技术,它通过在二维或三维地图中为每个数据点指定一个位置来可视化高维数据。该技术是随机邻域嵌入的一种变体(Hinton和Roweis,2002),它更容易优化,通过减少将点聚集在地图中心的趋势,可以产生更好的可视化效果。与现有技术相比,t-SNE在创建一个能够显示不同比例结构的单一地图方面要更好。这对于位于多个不同但相关的低维流形上的高维数据特别重要,例如从多个视点看到的多个类中的对象的图像。为了可视化超大数据集的结构,我们展示了t-SNE如何在邻域图上使用随机游动来允许所有数据的隐式结构影响数据子集的显示方式。我们展示了t-SNE在各种数据集上的性能,并与其他许多非参数可视化技术(包括Sammon映射、Isomap和局部线性嵌入)进行了比较。在几乎所有的数据集上,t-SNE产生的可视化效果明显优于其他技术产生的可视化效果。


zbMATH参考文献(79篇文章引用,2标准条款)

显示79个结果中的21到40个。
按年份排序(引用)
  1. 朱瑞峰;多奈卡,法迪;瑞切克,亚辛:基于特征选择的判别图嵌入方法在图像分类中的应用(2019)
  2. 邹,连;俞绍德;孟铁宝;张志成;梁晓坤;谢耀琴:基于卷积神经网络的乳腺癌诊断技术综述(2019年)
  3. Ayensa Jiménez,Jacobo;Doweidar,Mohamed H.;Sanz Herrera,Jose A.;Dobraré,Manuel:一种基于可靠性的数据驱动方法,用于具有物理约束的噪声实验数据(2018年)
  4. 2018年《勇敢者》杂志(Jonathan,Braves)与《勇敢者》杂志(2018年版)的对比(Jonathan,Braves公司;最佳估计)
  5. Gaussian-Autonguis公司,2018年;Micianzio公司,novelty公司;Maurizio公司
  6. Flamary,Rémi;Cuturi,Marco;Courty,Nicolas;Rakotomamongy,Alain:Wasserstein判别分析(2018年)
  7. Heusser,Andrew C.;Ziman,Kirsten;Owen,Lucy L.W.;Manning,Jeremy R.:\texttHypertools:获取高维数据几何见解的Python工具箱(2018)
  8. 萨罕,内加班;哦,苏洪;库姆帕拉皮尔,基兰K.;徐嘉明:从比较和选择中学习(2018)
  9. Oliveira,Fábio Henrique M.;Machado,Alessandro R.P.;Andrade,Adriano O.:关于使用(t)-分布随机邻域嵌入对帕金森病患者的数据可视化和分类(2018)
  10. Sewell,Daniel K.:通过矩阵的曲线表示可视化数据(2018)
  11. Sheblaev,M.V.;Sheblaeva,A.S.:一种改进Fiduccia-Mattheyses算法初始划分的方法(2018)
  12. 吴厚田;吴楠:流形结构下的全局思维与局部拟合:局部线性嵌入的渐近分析(2018)
  13. 谢浩;杜云燕;于华鹏;常永新;徐志勇;唐元燕:基于深度转移学习和极值统计的开放式人脸识别(2018)
  14. 叶茂;张鹏;聂立珍:基于层次贝叶斯-伯努利混合模型的稀疏二元数据聚类(2018)
  15. 赵文涛;李文涛;朱成章;宋江龙;刘新旺;尹建平:模型感知的分类数据嵌入:数据驱动方法(2018)
  16. Zhu,Yinhao;Zabaras,Nicholas:代理建模和不确定性量化的贝叶斯深卷积编解码网络(2018)
  17. Ayinde,Babajide O.;Zurada,Jacek M.:使用接受域聚类的自动编码器进行非冗余稀疏特征提取(2017)
  18. Blaes,Sebastian;Burwick,Thomas:通过全球原型设计在深度网络中进行少量的学习(2017)
  19. Dias,Fabio;Mansour,Moussa R.;Valdivia,Paola;Cousty,Jean;Najman,Laurent:数据聚类超图分水岭(2017)
  20. Gates,Alexander J.;Ahn,Yong Yeol:随机模型对聚类相似性的影响(2017)