康、波；达里奥·加西亚；杰弗里·利赫菲特；劳尔，桑托斯·罗德里格斯；De Bie，蒂杰尔 条件t-SNE：更多信息的t-SNE嵌入。 （英语） Zbl 07465786号 机器。学习。 110，第10号，2905-2940（2021）. 摘要：降维和流形学习方法，如t-分布随机邻域嵌入（t-SNE），经常用于将高维数据映射到二维空间，以可视化和探索该数据。除了t-SNE的细节之外，任何此类方法都有两个实质性的局限性：（1）并非所有信息都可以在单个二维嵌入中捕获，（2）对于消息灵通的用户，此类嵌入的显著结构通常是已知的，因此无法获得任何真正的新见解。目前，尚不知道如何以同样有效的方式提取剩余信息。我们介绍条件t-SNE（ct-SNE）是t-SNE的泛化，它以标签的形式对先验信息进行折扣。这样可以获得更多信息和更相关的嵌入。为了实现这一点，我们提出了t-SNE目标的条件版本，获得了一种具有单一综合目标的优雅方法。我们展示了如何有效地优化目标，并研究了ct-SNE对t-SNE的额外参数的影响。对合成数据和实际数据的定性和定量实证结果表明，ct-SNE具有可扩展性、有效性，并实现了其目标：它允许在嵌入中捕获互补结构，并为实际数据提供了新的见解。 引用于1文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 关键词：降维；信息论；数据可视化 软件：大型Vis；节点2vec；大Vis；t-SNE公司；ArnetMiner公司；UMAP公司；UCI-毫升；DeepWalk公司 PDF格式BibTeX公司 XML格式引用 \textit{B.Kang}等人，马赫。学习。110，第10号，2905--2940（2021；Zbl 07465786） 全文： 内政部 参考文献： [1] Alipanahi，B。；Ghodsi，A.，引导局部线性嵌入，PRL，32，7，1029-1035（2011）·doi:10.1016/j.patrec.2011.02.002 [2] Barshan，E。；古德西，A。；Z.阿齐米法尔。；Zolghadri Jahromi，M.，《监督主成分分析：子空间和子流形的可视化、分类和回归》，PR，44，7，1357-1371（2011）·Zbl 1214.62067号 [3] Cavallo，M.和Demiralp，圣保罗。(2018). 基于降维数据探索的可视化交互框架。CHI（第635页）。 [4] Dáaz，I.、Cuadrado，A.A.、Pérez，D.、GarcáA，F.J.和Verleysen，M.（2014）。可视化分析的交互式维度缩减。ESANN（第183-188页）。 [5] Dua，D。；Graff，C.，UCI机器学习库（2017），加利福尼亚州欧文：加利福尼亚大学信息与计算机科学学院，加利福尼亚州奥尔文 [6] Edwards，H.和Storkey，A.（2015）。审查对手的陈述。arXiv:151105897。 [7] 浮士德·R。；Glickenstein，D。；Scheidegger，C.，《调光器：解释非线性投影的轴线》，TVCG，25，1，481-490（2019） [8] Gray，A.G.和Moore，A.W.（2001年）。统计学习中的N体问题。《NeurIPS》（第521-527页）。 [9] Grover，A.和Leskovec，J.（2016）。node2vec：网络的可扩展特性学习。第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集（第855-864页）。ACM公司。 [10] Hotelling，H.，两组变量之间的关系，生物统计学，28，3-4，321-377（1936）·兹伯利0015.40705 ·doi:10.2307/2333955 [11] DH Jeong；齐姆基维茨，C。；费希尔，B。；Ribarsky，W。；Chang，R.，iPCA：基于PCA的视觉分析交互式系统，计算机图形论坛，28，3，767-774（2009）·文件编号：10.1111/j.1467-8659.2009.01475.x [12] Kang，B.、Lijffijt，J.、Santos-Rodríguez，R.和De Bie，T.（2016）。主观上有趣的成分分析：与先前预期形成对比的数据预测。KDD（第1615-1624页）。 [13] Madras，D.、Creager，E.、Pitassi，T.和Zemel，R.（2018年）。学习对手公平和可转让的陈述。arXiv:180206309。 [14] Makhzani，A.、Shlens，J.、Jaitly，N.、Goodfellow，I.和Frey，B.（2015）。对手自动编码器。arXiv:151105644。 [15] McInnes，L.和Healy，J.（2018年）。UMAP：用于降维的统一流形近似和投影。arXiv:180203426。 [16] Paurat，D.和Gärtner，T.（2013年）。Invis：用于交互式可视数据分析的工具。ECML-PKDD（第672-676页）。 [17] Perozzi，B.、Al-Rfou，R.和Skiena，S.（2014）。Deepwalk：社交表征的在线学习。第20届ACM SIGKDD知识发现和数据挖掘国际会议论文集（第701-710页）。ACM公司。 [18] 佩佐蒂，N。；英国石油公司Lelieveldt；范德马滕，L。；霍尔特，T。；Eisemann，E。；Vilanova，A.，《渐进式视觉分析的近似和用户可控制tSNE》，TVCG，23，7，1739-1752（2017） [19] Puolamäki，K.、Oikarinen，E.、Kang，B.、Lijffijt，J.和De Bie，T.（2018年）。带有主观反馈的交互式可视数据探索：一种信息理论方法。ICDE（第1208-1211页）。 [20] Ram，P.、Lee，D.、March，W.和Gray，A.G.（2009年）。成对统计问题的线性时间算法。《NeurIPS》（第1527-1535页）。 [21] 斯塔恩克，J。；Dörk，M。；米勒，B。；Thom，A.，《探测预测：解释降维安排和误差的交互技术》，TVCG，22，1，629-638（2016） [22] Tang，J.，Liu，J.、Zhang，M.和Mei，Q.（2016）。可视化大规模和高维数据。WWW（第287-297页）。 [23] Tang，J.，Zhang，J.、Yao，L.、Li，J.和Zu，（2008）。Arnetminer：学术社交网络的提取和挖掘。第14届ACM SIGKDD知识发现和数据挖掘国际会议论文集（第990-998页）。ACM公司。 [24] Tenenbaum，JB；德席尔瓦，V。；Langford，JC，《非线性降维的全球几何框架》，《科学》，29055002319-2323（2000）·doi:10.1126/science.290.5500.2319 [25] 托格森，WS，多维标度：I.理论与方法，《心理测量学》，17，4，401-419（1952）·Zbl 0049.37603号 ·doi:10.1007/BF02288916 [26] van der Maaten，L.，使用基于树的算法加速t-SNE，机器学习研究杂志，15，1，3221-3245（2014）·兹比尔1319.62134 [27] 范德马滕，L。；Hinton，G.，使用t-SNE可视化数据，JMLR，11月9日，2579-2605（2008）·兹比尔1225.68219 [28] 范德马滕，L。；Hinton，G.，《可视化多幅地图中的非度量相似性》，MLJ，87，1，33-55（2012）·Zbl 1238.68140号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。