无偏评估降维的指标选择：Metric Design != Metric Behavior
机器学习
2026-01-13 v1
摘要
评估降维 (DR) projections 在保持高维数据结构方面的准确性对于可靠的可视化分析至关重要。因此，已developed 针对不同结构特征的多样化评估指标。然而，如果高度相关的评估指标——即测量类似结构特征的指标——不小心地被选中，DR projections 的评估就会偏向那些特征。为此，我们提出一种新型工作流程，通过基于实证相关性而非仅基于其设计特征的相关性对指标进行聚类，以减少评估指标选择的偏差。我们的工作流程通过计算指标之间的两两相关性来计算指标相似度，将指标聚类以最小化重叠，并从每个聚类中选择一个代表性指标。定量实验表明，我们的方法提高了 DR 评估的稳定性，这表明我们的工作流程有助于减轻评估偏差。
引用
@article{arxiv.2507.02225,
title = {Metric Design != Metric Behavior: Improving Metric Selection for the Unbiased Evaluation of Dimensionality Reduction},
author = {Jiyeon Bae and Hyeon Jeon and Jinwook Seo},
journal= {arXiv preprint arXiv:2507.02225},
year = {2026}
}
备注
IEEE VIS 2025 (short paper)