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41到60个。
按年份排序(引用)
  1. 汤姆·洛里默;詹妮·霍尔德;鲁迪·斯托普:聚类:我们需要多少偏见?(2017年)
  2. Mao-Ivor和Wang-Ivor-learning统一框架
  3. Oh,Seoung Wug;Kim,Seon-Joo:通过深度学习将计算颜色恒定性作为一个分类问题(2017)
  4. Salehi Rizi,Fatemeh;Granitzer,Michael:社交网络中向量嵌入的性质(2017)
  5. Yin,Rujie;Gao,Tingran;Lu,Yue M.;Daubechies,Ingrid:两个基础的故事:基于卷积框架的图像块的局部非局部正则化(2017)
  6. Damianou,Andreas C.;Titsias,Michalis K.;Lawrence,Neil D.:高斯过程中潜在变量和不确定输入的变分推理(2016)
  7. Er,Meng Joo;Zhang,Yong;Wang,Ning;Pratama,Mahardhika:基于注意力集中的卷积神经网络句子建模(2016)
  8. Nguyen,Tu Dinh;Tran,Truyen;Phung,Dinh;Venkatesh,Svetha:用于文档建模的图诱导受限Boltzmann机器(2016)
  9. Parviainen,Eli:基于图的N体近似及其在随机邻域嵌入中的应用(2016)
  10. Pölitz,Christian;Duivesteijn,Wouter;Morik,Katharina:通过优化Stiefel流形实现可解释的领域适应(2016)
  11. Qin,Xiangju;Cunningham,Pádraig;Salter Townshend,Michael:用于用户配置文件的在线跨维von Mises-Fisher混合模型(2016)
  12. Vepakomma,Praneth;Elgammal,Ahmed:将流形学习看作对称对角占优线性系统的快速算法(2016)
  13. Yang,Bo;Xiang,Ming;Zhang,Yupei:用于可视化和分类的多流形判别等值线图(2016)
  14. 张雪峰;陈波;刘红伟;左磊;冯波:基于数据增广的无限大边际因子分析(2016)
  15. 张跃;刘传才;邹健:基于直方图的嵌入在统计流形上的学习(2016)
  16. 韩久琦;孙正亚;郝红伟:(l邈0)-基于范数的结构稀疏最小二乘回归特征选择(2015)
  17. Kuang,Da;Yun,Sangwoon;Park,Haesun:SymNMF:用于图聚类的相似矩阵的非负低秩近似(2015)
  18. Peltonen,Jaakko;Lin,Ziyuan:面向元可视化的信息检索方法(2015)
  19. Schleif,Frank Michael;Tino,Peter:《无限接近学习:回顾》(2015)
  20. Vargas Irwin,Carlos E.;Brandman,David M.;Zimmermann,Jonas B.;Donoghue,John P.;Black,Michael J.:Spike train相似空间(SSIMS):单神经元和集成数据分析框架(2015)