t-SNE公司

使用可视化数据。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。我们比较了各种非参数映射的局部嵌入技术,包括一些非参数映射技术。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中的参考文献(参考 83篇文章 引用,2标准条款)

显示83个结果中的1到20个。
按年份排序(引用)
  1. Jaffe,Ariel;Kluger,Yuval;Linderman,George C.;Mishne,Gal;Stenerberger,Stefan:随机化近邻图、巨型组件和数据科学应用(2020)
  2. Keshavarzzadeh,Vahid;Kirby,Robert M.;Narayan,Akil:基于模拟的高斯过程的不确定性下基于应力的拓扑优化(2020)
  3. 郎荣玲吕瑞波赵晨倩秦红雷刘国栋:基于图的半监督单类支持向量机检测肺音异常(2020)
  4. Lee,O-Joun;Jung,Jason J.:故事嵌入:基于角色网络学习分布式故事表示(2020)
  5. Philippe Boileau,Nima Hejazi,Sandrine Dudoit:scPCA:R稀疏对比主成分分析工具箱(2020)不是zbMATH
  6. Ruiz,Francisco J.R.;Athy,Susan;Blei,David M.:购物者:一个带有替代品和互补品的消费者选择概率模型(2020年)
  7. Baharev,Ali;Neumaier,Arnold;Schichl,Hermann:稀疏全局约束满足问题的基于流形的方法(2019)
  8. 蔡洪民;黄,秦健;荣,文涛;宋,燕;李,焦;王,金华;陈,嘉州;李,李:数字乳房X光片中使用深度卷积神经网络的乳腺微钙化诊断(2019年)
  9. 陈明佳;邹倩芳;王长波;刘立刚:EdgeNet:3D形状的深度度量学习(2019)
  10. Chien,Vincent S.C.;Maess,Burkhard;Knösche,Thomas R.:皮层开/关反应、遗漏反应和失配负性的一般偏差检测原理(2019年)
  11. 达,乔波;程,杰仁;李,钱;赵文涛:面向冷启动欺诈审查检测的社会关注表征学习(2019)
  12. Genctav,Asli;Tari,Sibel:差异:具有圆度偏差的局部/全局形状特征(2019)
  13. Hill,Mitch;Nijkamp,Erik;Zhu,Song-Chun:构建一个望远镜来观察高维图像空间(2019)
  14. Ibañez,R.;Abisset Chavanne,E.;Cueto,E.;Ammar,A.;Duval,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年)
  15. Li,Bo;Fan,Zhang Tao;Zhang,Xiao Long;Huang,De Shuang:基于特征空间到特征空间距离度量学习的鲁棒降维(2019)
  16. Liu,Yiyi;Warren,Joshua L.;Zhao,Hongyu:基于RNA测序数据的单细胞聚类的层次贝叶斯模型(2019)
  17. Shaw,Saurabh Bhaskar;Dhindsa,Kiret;Reilly,James P.;Becker,Suzanna:捕捉森林但缺少树木:微状态不足以描述较短尺度脑电动力学特征(2019年)
  18. 单细胞组分和单细胞测序评估方法:单细胞组分和Asl-2019
  19. Tillquist,Richard C.;Lladser,Manuel E.:基因组序列的低维表示(2019年)
  20. Wang,Miaoyan;Fischer,Jonathan;Song,Yun S.:使用半非负张量分解对多组织多个体基因表达数据进行三向聚类(2019)