面向可视化降维中超参数选择的高效鲁棒贝叶斯方法
机器学习
2023-06-02 v1 人机交互
机器学习
概率论
统计理论
统计理论
摘要
我们引入了一种高效且鲁棒的降维（DR）算法超参数自动调优框架，专注于大规模数据集和任意性能指标。通过利用带代理模型的贝叶斯优化（BO），我们的方法实现了具有多目标权衡的高效超参数选择，并允许我们进行数据驱动的敏感性分析。通过结合归一化与子采样，所提出的框架展现了通用性与效率，正如在 t-SNE 和 UMAP 等可视化技术应用中所展示的。我们使用多个质量度量在各种合成和真实世界数据集上评估了我们的结果，为 DR 算法中的超参数选择提供了鲁棒高效的解决方案。
引用
@article{arxiv.2306.00357,
title = {Efficient and Robust Bayesian Selection of Hyperparameters in Dimension Reduction for Visualization},
author = {Yin-Ting Liao and Hengrui Luo and Anna Ma},
journal= {arXiv preprint arXiv:2306.00357},
year = {2023}
}
备注
20 pages, 16 figures