NeuroDAVIS：一种用于数据可视化的神经网络模型
人机交互
2023-04-05 v1 人工智能
机器学习
摘要
高维数据集的降维与可视化任务长期以来仍是一个具有挑战性的问题。现代高通量技术产生具有多视图与较新数据类型的新高维数据集。这些数据集的可视化需要恰当的方法，以在不影响数据局部与全局结构的前提下揭示隐藏模式。然而，目前能实现该任务的此类方法极少。本工作中，我们提出了一种名为NeuroDAVIS的新型无监督深度神经网络模型用于数据可视化。NeuroDAVIS能够在无需假设数据分布的情况下从数据中提取重要特征，并在低维空间中有效可视化。理论证明数据在高维中的邻域关系在低维中得以保持。NeuroDAVIS在包括数值、文本、图像与生物数据在内的多种合成与真实高维数据集上进行了评估，其在可视化质量及数据大小、形状与局部和全局结构保持方面，与t分布随机邻域嵌入(t-SNE)和均匀流形逼近与投影(UMAP)相比极具竞争力，并在多数高维数据集上优于t-SNE的变体——基于快速插值的t-SNE(Fit-SNE)。对于生物数据集，除t-SNE、UMAP和Fit-SNE外，NeuroDAVIS相较其他SOTA算法（如基于热扩散亲和轨迹嵌入(PHATE)及基于孪生神经网络的方法IVIS）也表现良好。下游分类与聚类分析同样显示出NeuroDAVIS生成嵌入的有利结果。
引用
@article{arxiv.2304.01222,
title = {NeuroDAVIS: A neural network model for data visualization},
author = {Chayan Maitra and Dibyendu B. Seal and Rajat K. De},
journal= {arXiv preprint arXiv:2304.01222},
year = {2023}
}