T-SNE

使用T-SNE可视化数据。我们提出了一种称为“T-SNE”的新技术,它通过将每个数据点定位在二维或三维地图中来可视化高维数据。该技术是一种随机邻居嵌入(Hinton和RoWIS,2002)的变化,这是更容易优化,并产生明显更好的可视化,通过减少在地图的中心聚集点的倾向。T-SNE比现有技术在创建一个单一的地图,揭示结构在许多不同的尺度更好。这对于位于多个不同但相关的低维流形上的高维数据尤其重要,例如从多个视点看到的来自多个类的对象的图像。为了可视化非常大的数据集的结构,我们展示了T-SNE如何在邻域图上使用随机游走,以允许所有数据的隐式结构影响显示数据子集的方式。我们说明了在各种数据集上的T-SNE的性能,并将其与许多其他非参数可视化技术进行比较,包括萨蒙映射、ISOMAP和局部线性嵌入。T-SNE所产生的可视化显著优于其他技术对几乎所有数据集所产生的可视化。


ZBMaX中的参考文献(74篇)2篇标准文章

显示结果1至20的74。
按年份排序(引文
  1. 郎,荣岭;卢,Ruibo;赵,Chenqian;秦,Honglei;刘,郭东:基于图的半监督单类支持向量机检测异常肺音(2020)
  2. 李,O-Joun;Jung,Jason J.:故事嵌入:学习基于字符网络的故事的分布式表示(2020)
  3. Philippe Boileau,Nima Hejazi,Sandrine Dudoit:SCPCA:R(2020)中稀疏对比主成分分析的工具箱不是ZB数学
  4. 巴哈雷夫,Ali;Neumaier,阿诺德;SHICL,赫尔曼:一种基于流形的稀疏全局约束满足问题的方法(2019)
  5. CAI,Hongmin;黄,Qinjian;荣,Wentao;宋,严;李,焦;王,金华;陈,Jiazhou;Posile,Y:乳腺微钙化诊断:利用深度卷积神经网络从数字乳房X线照片诊断(2019)
  6. 陈,Mingjia;祖河,Qianfang;王,Changbo;刘,Liangang:EdgeNet:3D形状的深度度量学习(2019)
  7. Chien,Vincent S. C.;Mess,Burkhard;KN O.See,Thomas R.:皮质ON/OFF反应、省略响应和错配负性的一般偏差检测原理(2019)
  8. Asli,Tari,西贝尔:差异:局部/整体形状特征与圆度偏差(2019)
  9. Hill,米契;尼吉坎普,埃里克;朱,宋春:建造望远镜看高维图像空间(2019)
  10. Abisset Chavanne,E;奎托,E;阿马尔,A;杜瓦尔,J.L.;Chinesta,F.:压缩传感在计算力学中的一些应用:模型降阶、流形学习、数据驱动应用和非线性降维(2019)
  11. 刘,一益;沃伦,Joshua L.;赵,洪宇:一种基于RNA测序数据的单细胞聚类的分层贝叶斯模型(2019)
  12. Shaw,Saurabh Bhaskar;DunsSA,Kiret;蕾莉,James P.;贝克尔,苏珊娜:捕捉森林但丢失树木:微观状态不足以表征较短尺度脑电图动力学(2019)
  13. Tillquist,Richard C.;LADELSER,Manuel E.:基因组序列的低维表示(2019)
  14. 王,Miaoyan;菲舍尔,乔纳森;宋,Yun S.:多组织多个体基因表达数据的三路聚类:半非负张量分解(2019)
  15. 叶,Zhonglin;赵,海兴县;张,柯;朱,禹:多视角网络表示学习算法研究(2019)
  16. 吉田,Ruriko;Fukimuu,Kenji;Vogiatzis,CyFasi:用基因树聚类分析的多位点系统发育分析(2019)
  17. 祖河,廉;余,Shaode;孟,提宝;张,枝城;Liang,Xiaokun;谢,姚琴:基于卷积神经网络的乳腺癌诊断技术回顾(2019)
  18. Ayensa Jim E.Nez,JACOBO;Doweidar,Mohamed H.;Sanz Herrera,Jose A.;DoBraye,曼努埃尔:一种新的基于可靠性的数据驱动方法,用于带物理约束的噪声实验数据(2018)
  19. 布林贾斯多蒂尔,詹妮;霍布斯,乔纳森;布雷弗曼,艾米;曼德拉克,卢卡斯:最佳估计与MCMC对Co(2)检索(2018)
  20. 彼得洛,MuiHadii,Zouououi,Jihane;FielpPoon,Maurizio:新颖的深高斯过程自动编码器(2018)