通用性谱谱嵌入及其在UMAP中的应用
机器学习
2025-08-21 v2 机器学习
摘要
谱嵌入（SE）是一种适用于各种领域的降维方法。然而，其当前实现面临三个主要局限：通用性（即样本外扩展）、可扩展性以及特征向量分离。现有的SE实现常常只解决其中两者，但未能解决剩余的一个。在本文中，我们引入Sep-SpectralNet（特征向量分离的SpectralNet），一种旨在解决上述所有局限的SE实现。Sep-SpectralNet通过引入高效的后处理步骤实现特征向量分离，同时确保通用性和可扩展性。该方法将SE的适用范围扩展到更广泛的任务范围，并可提升现有应用的性能。我们实证证明Sep-SpectralNet能够稳健地近似和泛化SE，同时保持SpectralNet的可扩展性。此外，我们展示了如何利用Sep-SpectralNet来实现通用性UMAP可视化。我们的代码已公开。
引用
@article{arxiv.2501.11305,
title = {Generalizable Spectral Embedding with an Application to UMAP},
author = {Nir Ben-Ari and Amitai Yacobi and Uri Shaham},
journal= {arXiv preprint arXiv:2501.11305},
year = {2025}
}