q-SNE：使用q-Gaussian分布随机邻域嵌入可视化数据
计算机视觉与模式识别
2020-12-03 v1
摘要
降维已被广泛引入以利用高维数据进行回归、分类、特征分析与可视化。作为降维技术之一，随机邻域嵌入（SNE）被提出。SNE通过考虑高维与低维空间局部Gaussian分布之间的相似性，在可视化高维数据方面取得了强劲结果。为改进SNE，t分布随机邻域嵌入（t-SNE）也被提出。为可视化高维数据，t-SNE通过使用t分布作为低维数据分布，在2或3维映射上比SNE给出更强大且灵活的可视化。近来，均匀流形逼近与投影（UMAP）作为一种降维技术被提出。我们提出一种称为q-Gaussian分布随机邻域嵌入（q-SNE）的新技术。q-SNE通过使用q-Gaussian分布作为低维数据分布，在2或3维映射上比t-SNE与SNE给出更强大且灵活的可视化。q-Gaussian分布在q=1.0与q=2.0时分别作为特例包含Gaussian分布与t分布。因此，q-SNE也可通过改变参数q来表达t-SNE与SNE，从而可通过选择参数q找到最佳可视化。我们展示了q-SNE在2维映射上的可视化性能，以及在使用MNIST、COIL-20、OlivettiFaces、FashionMNIST与Glove数据集时，相比于SNE、t-SNE与UMAP，在嵌入空间中由k-Nearest Neighbors（k-NN）分类器分类的性能。
引用
@article{arxiv.2012.00999,
title = {q-SNE: Visualizing Data using q-Gaussian Distributed Stochastic Neighbor Embedding},
author = {Motoshi Abe and Junichi Miyao and Takio Kurita},
journal= {arXiv preprint arXiv:2012.00999},
year = {2020}
}
备注
This paper is accepted ICPR2020. Code on Python is here (https://github.com/i13abe/q-SNE)