修正的条件 t-SNE：超越最近邻的视角
机器学习
2023-04-12 v2 机器学习
摘要
条件 t-SNE（ct-SNE）是 t-SNE 近期的一个扩展，允许从嵌入中移除已知的簇信息，从而获得揭示标签信息之外结构的可视化。例如，当人们想要剔除一组类别间不期望的差异时，这很有用。我们表明 ct-SNE 在许多现实设定下会失效，即如果数据在原始高维空间中按标签形成了良好簇。我们提出了一种修正方法：对高维相似度而非低维相似度进行条件化，并分别存储标签内与跨标签的最近邻。这也使得能够使用近期提出的 t-SNE 加速方法，改善可扩展性。在合成数据上的实验发现，我们提出的方法解决了所考虑的问题并提升了嵌入质量。在包含批次效应的真实数据上，预期的改进并非总会出现。鉴于其改进的可扩展性，我们认为修正的 ct-SNE 总体更优。结果也凸显了新的开放问题，例如如何处理簇间距离变化。
引用
@article{arxiv.2302.03493,
title = {Revised Conditional t-SNE: Looking Beyond the Nearest Neighbors},
author = {Edith Heiter and Bo Kang and Ruth Seurinck and Jefrey Lijffijt},
journal= {arXiv preprint arXiv:2302.03493},
year = {2023}
}
备注
20 pages including supplement