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(参考文献112篇,2标准条款)

显示第1到第1个结果。
按年份排序(引用)
  1. 布兰查德,安托万;Sapsis,Themistoklis:贝叶斯实验设计和不确定性量化的输出加权最优抽样(2021)
  2. 纳迪亚,伯克特;Huber,Marco F.:监督机器学习的可解释性调查(2021)
  3. 张德臣;弗里德,奥菲尔;洪志峰;姚浩仁:从非线性距离度量到基于核的处方预测系统(2021)
  4. 赵向瑞;寇,刚;彭毅;Viedma,Enrique Herrera:具有非合作行为和异质偏好的大规模群体决策:金融包容性的应用(2021)
  5. 程、陆;瓦尔什尼,库什R。;刘欢:《社会责任人工智能算法:问题、目的和挑战》(2021)
  6. 程,宜春;王新雷;夏玉森:用于数据可视化和分类的监督(t)-分布式随机邻域嵌入(2021)
  7. 科英布拉,丹尼洛B。;马丁斯,拉斐尔M。;莫塔,埃德森;提布蒂诺,塔西托;迪亚曼蒂诺,佩德罗;Peixoto,Maycon L.M.:使用绩效评估计划分析本地和全球多维预测的质量(2021年)
  8. 高婷然;布罗兹基,雅克;Mukherjee,Sayan:同步问题的几何结构和学习群体行为(2021)
  9. 韩新宇;赵毅;Small,Michael:有向无环网络在水库计算中的存储容量(2021)
  10. 季志诚;吉洪凯:“指数家族嵌入在单细胞RNA序列数据的细胞发育轨迹中的应用”的讨论(2021年)
  11. 朱雷维奇,马特乌斯;Derczynski,Leon:机器学习中的集合序列方法:回顾(2021)
  12. 高玉伟;陈鸿萱:联合学习:基于自编码器和目标传播的端到端反向传播分解(2021)
  13. 基里尔,乔;莫斯科维奇,阿米特;泽莱斯科,内森;辛格,阿米特:具有任意规范的流形学习(2021)
  14. 兰达,鲍里斯;科夫曼,罗纳德R。;Kluger,Yuval:高斯核的双随机归一化对异方差噪声是鲁棒的(2021)
  15. 梁,雷蒙德;巴拉穆拉利,米哈拉;Melkumyan,Arman:地球化学数据中异常值去除的样本截断策略:MCD稳健距离法与t-SNE系综聚类(2021)
  16. 林,凯文Z。;雷、静;Roeder,Kathryn:指数家族嵌入在单细胞RNA序列数据的细胞发育轨迹中的应用(2021年)
  17. 肖恩,法比奥;Tigli,Luca:基于聚类的种群方法的有效大规模全局优化(2021)
  18. 王敏杰;Allen,Genevera I:混合多视图数据的综合广义凸聚类优化与特征选择(2021)
  19. 吴,迈克;帕布霍,索纳利;休斯,迈克尔·C。;罗斯,沃尔克;Doshi Velez,最后一篇:用树正则化优化深层神经网络的可解释性(2021)
  20. 科明,塞萨尔H。;贝隆,托马斯;席尔瓦,菲利皮N。;阿曼西奥,迭戈R。;罗德里格斯,弗朗西斯科A。;Costa,Luciano da F.:复杂系统:特征、相似性和连通性(2020)