面向复杂数据嵌入与可视化的 MOE 增强可解释深度流形变换
机器学习
2025-07-01 v2 人工智能
摘要
降维在数据工程与可视化等各个领域发挥着关键作用，它通过在保留核心信息的同时简化复杂数据集来实现。然而，实现高降维精度与强可解释性仍是一个根本性挑战，尤其是对于处理高维数据的用户。传统降维方法常面临精度与透明度之间的权衡：优化性能可能导致可解释性降低，反之亦然。这一局限在图像、表格和文本数据分析等现实应用中尤为突出，这些场景下精度与可解释性均至关重要。为应对这些挑战，本文引入了基于 MOE 的可解释深度流形变换。所提方法将能有效捕捉复杂层级结构的双曲嵌入与可根据输入特征动态分配任务的混合专家模型相结合。DMT-ME 利用双曲嵌入表示数据的层级特性以提升降维精度，同时通过 MOE 结构显式关联输入数据、嵌入结果与关键特征以增强可解释性。大量实验表明，DMT-ME 在降维精度与模型可解释性两方面均持续取得卓越性能，使其成为复杂数据分析的稳健解决方案。代码可在 https://github.com/zangzelin/code_dmtme 获取
引用
@article{arxiv.2410.19504,
title = {MOE-Enhanced Explanable Deep Manifold Transformation for Complex Data Embedding and Visualization},
author = {Zelin Zang and Yuhao Wang and Jinlin Wu and Hong Liu and Yue Shen and Zhen Lei and Stan. Z Li},
journal= {arXiv preprint arXiv:2410.19504},
year = {2025}
}
备注
14 pages, 8 figures