从低维嵌入中剔除先验知识
机器学习
2021-03-03 v1 机器学习
摘要
tSNE 与 UMAP 等低维嵌入技术能够可视化高维数据，从而有助于发现有趣的结构。尽管它们被广泛使用，但它们是按数据原样进行可视化，而非结合我们关于数据的背景知识。然而，我们已知的内容强烈决定了何为新颖因而有趣。在本文中，我们提出两种以距离矩阵形式从低维嵌入中剔除先验知识的方法。为从 tSNE 嵌入中剔除先验知识，我们提出 JEDI，其以原则性方式利用 Jensen-Shannon 散度调整 tSNE 目标。为从任何下游嵌入方法中剔除先验知识，我们提出 CONFETTI，其中我们直接对输入距离矩阵进行操作。在合成与真实世界数据上的大量实验表明，两种方法均表现良好，所提供的嵌入展现出原本会被隐藏的有意义结构。
引用
@article{arxiv.2103.01828,
title = {Factoring out prior knowledge from low-dimensional embeddings},
author = {Edith Heiter and Jonas Fischer and Jilles Vreeken},
journal= {arXiv preprint arXiv:2103.01828},
year = {2021}
}
备注
27 pages, 17 figures