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中的参考文献,2标准条款)

显示88个结果中的1到20个。
按年份排序(引用)
  1. Horenko,Illia:关于机器学习中小数据问题过度拟合障碍的可伸缩熵突破(2020)
  2. 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)
  3. 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)
  4. 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)
  5. 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)
  6. Philippe Boileau,Nima Hejazi,Sandrine Dudoit:scPCA:R稀疏对比主成分分析工具箱(2020)不是zbMATH
  7. 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)
  8. 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)
  9. Bekkouch,Imad Eddine Ibrahim;Youssry,Youssef;Gafarov,Rustam;Khan,Adil;Khattak,Asad Masood:无监督域适应的三重态丢失网络(2019年)
  10. Bugbee,Bruce;Bush,Brian W.;Gruchalla,Kenny;Potter,Kristin;Brunhart lupo,Nicholas;Krishnan,Venkat:通过深度学习实现能源系统模型的沉浸式参与(2019年)
  11. 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)
  12. 陈明佳;邹倩芳;王长波;刘立刚:EdgeNet:3D形状的深度度量学习(2019)
  13. 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)
  14. 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)
  15. Genctav,Asli;Tari,Sibel:差异:具有圆度偏差的局部/全局形状特征(2019)
  16. 韩慧梅;李英英;朱兴权:用于泛型数据分类的卷积神经网络学习(2019)
  17. Hill,Mitch;Nijkamp,Erik;Zhu,Song-Chun:构建一个望远镜来观察高维图像空间(2019)
  18. 流形化简;多维压缩模型的应用
  19. 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)
  20. 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)