条件t-SNE：通过分解先验信息实现互补的t-SNE嵌入
机器学习
2019-05-27 v1 机器学习
摘要
降维与流形学习方法，如t分布随机邻域嵌入（t-SNE），常被用于将高维数据映射到二维空间以可视化和探索数据。然而，二维通常不足以捕捉数据中的所有结构，显著的结构往往已知，且如何以同样有效的方式提取剩余信息并不明显。为填补这一空白，我们引入了条件t-SNE（ct-SNE），它是t-SNE的一种推广，以标签形式从嵌入中扣除先验信息。为此，我们提出了t-SNE目标的条件化版本，获得了一种单一、集成且优雅的方法。ct-SNE比t-SNE多一个参数；我们研究了其影响并展示了如何高效地优化该目标。分解先验知识使得嵌入能够捕捉互补结构，提供新的见解。在合成与（大规模）真实数据上的定性与定量实证结果表明，ct-SNE是有效的并实现了其目标。
引用
@article{arxiv.1905.10086,
title = {Conditional t-SNE: Complementary t-SNE embeddings through factoring out prior information},
author = {Bo Kang and Darío García García and Jefrey Lijffijt and Raúl Santos-Rodríguez and Tijl De Bie},
journal= {arXiv preprint arXiv:1905.10086},
year = {2019}
}