评估用于参数化和可逆多维投影的自编码器

最近，神经网络因创建参数化和可逆的多维数据投影而受到关注。参数化投影允许在无需重新计算整个投影的情况下对以前未见过的数据进行嵌入，而可逆投影则 enables 生成新数据点。然而，这些属性从未同时用于任意投影方法。我们评估了三种自编码器 (AE) 架构用于创建参数化和可逆投影。基于给定投影，我们训练 AE 以学习映射到二维空间以及反向映射回原始空间。我们使用 t-SNE 对四个不同维度和模式复杂度的数据集进行定量和定性比较。我们的结果表明，带有定制损失函数的 AE 能在保持平滑性的同时，比前馈神经网络创建更平滑的参数化和反向投影，并且用户可控制平滑效果的强度。