无困惑度参数的参数化 t-SNE
机器学习
2020-10-06 v1 机器学习
摘要
t 分布随机邻域嵌入（t-SNE）算法是一种被广泛使用的降维（DR）方法。其非参数性质与令人印象深刻的效能促成了其参数化扩展。然而它受限于用户定义的困惑度参数，相较于近期发展的多尺度无困惑度方法，其降维质量受限。因此本文提出一种多尺度参数化 t-SNE 方案，摆脱困惑度调参，并由深度神经网络实现映射。它生成可靠的嵌入并具备样本外扩展能力，在多个数据集上就邻域保持而言可与最佳困惑度调整相竞争。
引用
@article{arxiv.2010.01359,
title = {Perplexity-free Parametric t-SNE},
author = {Francesco Crecchi and Cyril de Bodt and Michel Verleysen and John A. Lee and Davide Bacciu},
journal= {arXiv preprint arXiv:2010.01359},
year = {2020}
}
备注
ESANN 2020 proceedings, European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning. Online event, 2-4 October 2020, i6doc.com publ., ISBN 978-2-87587-074-2. Available from http://www.i6doc.com/en/