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176篇文章,2标准条款)

显示176个结果中的1到20个。
按年份排序(引用)

1 2 ... 7 8 9 下一个

  1. 巴普蒂斯塔,马西娅L。;歌贝尔,凯;Henriques,Elsa M.P.:预测预测评估指标与局部可解释性形状值之间的关系(2022年)
  2. 多斯桑托斯,凯特森R。;乔瓦尼斯,迪米特里奥斯G。;Shields,Michael D.:基于Grassmannian扩散图的高维数据降维和分类(2022)
  3. 法努尔,米夏埃尔;阿斯佩尔,安托万;德尔文,让·查尔斯;Suykens,Johan A.K.:降维和样本外扩展的半正定嵌入(2022)
  4. 高佳星;王振义;张,迈克尔Q。;钱敏萍;蒋大全:一种从聚合生物基因表达数据中学习跳跃扩散过程的数据驱动方法(2022)
  5. 赫蒂亚拉奇、汉西;奥洛瓦,玛丽安;博加尔,贾格德夫;Gaber,Mohamed Medhat:Embed2detect:用于社交媒体事件检测的时间聚类嵌入词(2022)
  6. 琼斯,科琳;卢莱特,文森特;Harchaoui,Zaid:具有任意标记与未标记数据比率的表示学习判别聚类(2022)
  7. 科马利切夫,阿泰姆;华静;钟子春:学习几何意识的多模态形状同时生成的联合潜在空间(2022)
  8. 林德曼,乔治·C。;Steinerberger,Stefan:通过动力学系统降维:t-SNE案例(2022)
  9. 小,安娜;丹尼尔,麦肯齐;Murphy,James M.:平衡几何和密度:高维数据上的路径距离(2022)
  10. 鲁丁,辛西亚;陈超凡;陈志;黄海阳;西米诺娃,莱西亚;钟楚迪:可解释机器学习:基本原理与十大挑战(2022)
  11. 什克尔吉,布拉ž;Džeroski,萨索;拉夫拉契纳达;Petković,Matej:浮雕:通过流形嵌入在高维空间中的特征排序(2022)
  12. 姚开萱;梁继业;梁建清;李明;曹飞龙:具有注意机制的多视图图卷积网络(2022)
  13. 北京,萨普塔什;达夫蒂安,纳雷克;沃尔芬,马库斯;纳萨尔,马里亚姆;Wolkenhauer,Olaf:LoRAS:不平衡数据集的过采样方法(2021)
  14. 贝尔纳多,卢卡斯·萨尔瓦多;达马舍维奇,罗伯塔斯;阿尔伯克基,维克托·雨果C。;Maskeliūnas,Rytis:基于手写螺旋模式的帕金森病检测的混合两阶段挤压网和支持向量机系统(2021)
  15. 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)
  16. 布贝基,阿赫塞内;坎普夫迈耶,迈克尔;布雷菲尔德,乌尔夫;Jenssen,Robert:用于聚类和嵌入的自动编码器的联合优化(2021)
  17. 纳迪亚,伯克特;Huber,Marco F.:监督机器学习的可解释性调查(2021)
  18. 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)
  19. 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)
  20. 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)

1 2 ... 7 8 9 下一个