用于引导表示学习的随机森林自编码器
机器学习
2025-05-20 v3
摘要
广泛的研究已经产生了用于无监督数据可视化的稳健方法。然而，监督可视化——即由专家标签引导表示——仍然未被充分探索，因为大多数监督方法优先考虑分类而非可视化。最近，RF-PHATE，一种利用随机森林和信息几何的基于扩散的流形学习方法，在监督可视化方面取得了显著进展。然而，由于缺乏显式的映射函数，其可扩展性及对未见数据的应用受到限制，给大型数据集和标签稀缺场景带来了挑战。为了克服这些限制，我们引入了随机森林自编码器（RF-AE），这是一个用于样本外核扩展的基于神经网络的框架，它结合了自编码器的灵活性、随机森林的监督学习优势以及 RF-PHATE 捕获的几何结构。RF-AE 能够实现高效的样本外监督可视化，并在准确性和可解释性方面优于包括 RF-PHATE 的标准核扩展在内的现有方法。此外，RF-AE 对超参数的选择具有鲁棒性，并且可以推广到任何基于核的降维方法。
引用
@article{arxiv.2502.13257,
title = {Random Forest Autoencoders for Guided Representation Learning},
author = {Adrien Aumon and Shuang Ni and Myriam Lizotte and Guy Wolf and Kevin R. Moon and Jake S. Rhodes},
journal= {arXiv preprint arXiv:2502.13257},
year = {2025}
}