使用 BinSketch 的高效类别数据二值嵌入
机器学习
2021-11-16 v1
摘要
在本工作中，我们提出一种针对类别数据集的降维算法，亦称草图化。我们提出的草图算法 Cabin 从高维类别向量构造低维二值草图，而我们的距离估计算法 Cham 仅从草图计算任意两个原始向量之间汉明距离的紧密近似。Cham 所需草图的最小维度在理论上仅依赖于数据点的稀疏性——这使其对许多涉及稀疏数据集的实际场景有用。我们对所提方法给出严格的理论分析，并在多个高维真实数据集（包括一个超过百万维的数据集）上辅以广泛实验。我们表明，与处理完整数据集及其他降维技术相比，Cabin 与 Cham 组合在 RMSE、全配对相似度和聚类等任务中是一种显著快速且准确的方法。
引用
@article{arxiv.2111.07163,
title = {Efficient Binary Embedding of Categorical Data using BinSketch},
author = {Bhisham Dev Verma and Rameshwar Pratap and Debajyoti Bera},
journal= {arXiv preprint arXiv:2111.07163},
year = {2021}
}