{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,5,8]]，“日期-时间”：“2024-05-08T11:54:25Z”，“时间戳”：1715169265452}，“出版商位置”：“加利福尼亚”，“引用-计数”：0，“出版者”：“人工智能组织国际联合会议”，“内容-域”：[]，“crossmark-restriction”：false}，“short-container-title”：[]，“published-print”：{“date-parts”：[[2023,8]]}，”抽象“：“TSNE和UMAP由于其速度快和可解释的低维嵌入而成为流行的降维算法。然而，尽管它们很受欢迎，但很少有人研究它们之间的全部差异。我们从理论和实验上评估了TSNE和UMAP算法中的参数空间，并观察到一个单独的参数空间——归一化——负责它们之间的切换。反过来，这意味着可以在不影响嵌入的情况下切换大多数算法差异。我们讨论了这对UMAP背后的几个理论主张的影响，以及如何将其与现有TSNE解释进行协调。\基于我们的分析，我们提供了一种方法（GDR），该方法结合了TSNE和UMAP以前不兼容的技术，可以复制任一算法的结果。这使得我们的方法能够结合进一步的改进，例如比UMAP更快地获得任一方法输出的加速度。我们发布了TSNE、UMAP和GDR的改进版本，这些版本与传统库完全是即插即用的<\/jats:p>“，”DOI“：”10.24963\/ijcai.2023\/406“，”type“：”proceedings-article“，”created“：{”date-parts“：[2023,8,11]]，”date-time“：”2023-08-11T08:31:30Z“，”timestamp“：1691742690000}“source”：“Crossref”，“is-referenced-by-count”：1，“title”：[“ActUp:分析并合并tSNE和UMAP”]，“前缀”：“10.24963”，“author”：[{“given”：“Andrew”，“family”：“Draganov”，“序列“：”first“，”affiliation“：[{”name“：”Aarhus University“}]}，{”given“：”Jakob“，”family“：”J\u00f8rgensen“，”sequence“：”additional“，”feliation“:[{“name”：”Aahus University family“：”Mottin“，”sequence“：”additional“，”附属关系：[｛“name”：“Aarhus University”｝]｝，｛“given”：“Ira”，“family”：“Assent”，“sequence”：“additional”，“附属关系”：[｛“name”：“Aarhus University”｝]｝，｛“given”：“Tyrus”，“family”：“Berry”，“sequence”：“additional”，“附属关系”：[｛“name”：“George Mason University”｝]｝，｛“given”：“Cigdem”，“family”：“Aslay”，“sequence”：“additional”，“附属关系”：[｛“name”：”奥胡斯大学，“成员”：“10584”，“活动”：{“名称”：“第三十二届国际人工智能联合会议{IJCAI-23}”，“主题”：“人工智能”，“地点”：“中国澳门特别行政区”，“首字母缩写”：“IJCAI-2023”，“编号”：“32”，“赞助商”：[“国际人工智能联合会议（IJCAI）”]，“开始”：{date-parts“：[[2023,8,19]]}，”end“：{”date-part“：[[2023,8,25]]}}，“container-title”：[“第三十二届人工智能国际联合会议论文集”]，“原始标题”：[]，“存放”：{“日期-parts”：[[22023,8,11]]，“日期-时间”：“2023-08-11T08:47:58Z”，“时间戳”：1691743678000}，《分数》：1，“资源”：{“主要”：{-“URL”：“https:\/\/www.ijcai.org\/procedures\/2023\/406“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[[2023,8]]}，“引用计数”：0，“URL”：“http://\/dx.doi.org\/10.24963\/ijcai.2023\/406”，“关系”：{}，‘主题’：[]、‘已发布’：{“日期部分”：[2023,8]}}}}