重访用于视觉聚类分析的降维技术：一项实证研究
人机交互
2021-10-07 v1
摘要
降维 (DR) 技术可生成二维投影并实现高维数据集聚类结构的可视化探索。然而，不同 DR 技术会产生多样的模式，显著影响视觉聚类分析任务的性能。我们呈现了一项用户研究的结果，考察不同 DR 技术对视觉聚类分析的影响。我们的研究聚焦于最受关注的性质类型，即线性和局部性，并评估了涵盖所关注性质的十二种代表性 DR 技术。我们进行了四项受控实验，分别评估 DR 技术对 1) 聚类识别、2) 成员识别、3) 距离比较、4) 密度比较任务的辅助作用。我们还评估了用户针对投影聚类质量对 DR 技术的主观偏好。结果表明：1) 非线性和局部性技术在聚类识别与成员识别中更受青睐；2) 线性技术在密度比较中优于非线性技术；3) UMAP (Uniform Manifold Approximation and Projection) 与 t-SNE (t-Distributed Stochastic Neighbor Embedding) 在聚类识别与成员识别中表现最佳；4) NMF (Nonnegative Matrix Factorization) 在距离比较中具有竞争性表现；5) t-SNLE (t-Distributed Stochastic Neighbor Linear Embedding) 在密度比较中具有竞争性表现。
引用
@article{arxiv.2110.02894,
title = {Revisiting Dimensionality Reduction Techniques for Visual Cluster Analysis: An Empirical Study},
author = {Jiazhi Xia and Yuchen Zhang and Jie Song and Yang Chen and Yunhai Wang and Shixia Liu},
journal= {arXiv preprint arXiv:2110.02894},
year = {2021}
}
备注
IEEE VIS 2021, to appear in IEEE Transactions on Visualization & Computer Graphics