高维数据可视化的拉什莫尔效应
机器学习
2026-04-29 v2
摘要
降维（DR）本质上是非唯一的：多个嵌入可以同等很好地保持高维数据的结构，同时在布局或几何上有所不同。在本文中，我们为 DR 形式化定义了拉什莫尔集——即"良好"嵌入的集合——并展示了拥抱这种多重性如何带来更强大、更可信的表示。具体而言，我们追求三个目标。第一，我们引入 PCA 引导对齐，使嵌入趋向主成分，从而使坐标轴可解释而不扭曲局部邻域。第二，我们设计概念对齐正则化，将嵌入维度与外部知识（如类别标签或用户定义的概念）对齐。第三，我们提出一种从拉什莫尔集中提取共同知识的方法，通过识别可信且持久的最近邻关系，用于构建具有改进局部结构同时保持全局关系的精化嵌入。通过超越单一嵌入并利用拉什莫尔集，我们提供了一个构建可解释、鲁棒且目标对齐可视化的灵活框架。
引用
@article{arxiv.2604.00485,
title = {The Rashomon Effect for Visualizing High-Dimensional Data},
author = {Yiyang Sun and Haiyang Huang and Gaurav Rajesh Parikh and Cynthia Rudin},
journal= {arXiv preprint arXiv:2604.00485},
year = {2026}
}
备注
The paper is accepted in AISTATS 2026