ActUp：分析与整合 tSNE 与 UMAP
机器学习
2023-05-15 v1
摘要
tSNE 和 UMAP 因其速度性和可解释的低维嵌入而成为流行的降维算法。尽管它们很流行，但研究二者全部差异的工作却很少。我们从理论和实验上评估了 tSNE 和 UMAP 中的参数空间，观察到其中一个参数——归一化——负责在二者之间切换。这反过来意味着算法上的大部分差异可以在不影响嵌入的情况下被切换。我们讨论了这对 UMAP 背后若干理论主张的影响，以及如何将它们与现有的 tSNE 解释相协调。基于我们的分析，我们提供了一种方法（\ourmethod），它结合了此前 tSNE 和 UMAP 中互不相容的技术，并能够复现任一算法的结果。这使得我们的方法可以纳入进一步的改进，例如一种比 UMAP 更快地获得任一方法输出的加速。我们在 https://github.com/Andrew-Draganov/GiDR-DUN 发布了 tSNE、UMAP 和 \ourmethod 的改进版本，它们与传统库完全即插即用。
引用
@article{arxiv.2305.07320,
title = {ActUp: Analyzing and Consolidating tSNE and UMAP},
author = {Andrew Draganov and Jakob Rødsgaard Jørgensen and Katrine Scheel Nellemann and Davide Mottin and Ira Assent and Tyrus Berry and Cigdem Aslay},
journal= {arXiv preprint arXiv:2305.07320},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2206.09689