模式识别与人工智能
模式識彆與人工智能
모식식별여인공지능
Pattern Recognition and Artificial Intelligence
2015年
10期
896-902
,共7页
随机近邻嵌入%降维%数据可视化
隨機近鄰嵌入%降維%數據可視化
수궤근린감입%강유%수거가시화
Stochastic Neighbor Embedding%Dimensionality Reduction%Data Visualization
针对 t 分布随机近邻嵌入分析方法(t-SNE)存在的样本外问题和实际应用中利用快速下降法进行梯度最优化过程时多参数设定及调整的不可行性,提出线性不动点近邻嵌入分析方法。该方法在 t-SNE 的基础上引入线性投影变换矩阵,揭示数据的本质低维结构,然后在最小化原空间和子空间两个概率分布的 KL 散度准则下建立目标函数。通过简单不动点迭代法求解目标函数的最小值,有效提高 t-SNE 迭代最优过程的效率和鲁棒性。在人工合成数据和 COIL-20图像库上的实验表明,文中方法具有较好的可视化能力。
針對 t 分佈隨機近鄰嵌入分析方法(t-SNE)存在的樣本外問題和實際應用中利用快速下降法進行梯度最優化過程時多參數設定及調整的不可行性,提齣線性不動點近鄰嵌入分析方法。該方法在 t-SNE 的基礎上引入線性投影變換矩陣,揭示數據的本質低維結構,然後在最小化原空間和子空間兩箇概率分佈的 KL 散度準則下建立目標函數。通過簡單不動點迭代法求解目標函數的最小值,有效提高 t-SNE 迭代最優過程的效率和魯棒性。在人工閤成數據和 COIL-20圖像庫上的實驗錶明,文中方法具有較好的可視化能力。
침대 t 분포수궤근린감입분석방법(t-SNE)존재적양본외문제화실제응용중이용쾌속하강법진행제도최우화과정시다삼수설정급조정적불가행성,제출선성불동점근린감입분석방법。해방법재 t-SNE 적기출상인입선성투영변환구진,게시수거적본질저유결구,연후재최소화원공간화자공간량개개솔분포적 KL 산도준칙하건립목표함수。통과간단불동점질대법구해목표함수적최소치,유효제고 t-SNE 질대최우과정적효솔화로봉성。재인공합성수거화 COIL-20도상고상적실험표명,문중방법구유교호적가시화능력。
To solve the out-of-sample problem of t-distributed stochastic neighbor embedding(t-SNE) analysis method and overcome the unfeasibility of manually adjusting the involved parameters in practice, a linear fix-point neighbor embedding ( LFNE) analysis method is proposed based on a fix-point optimization algorithm. Based on t-SNE, the linear projection matrix is introduced to reveal the underlying structure of data manifold in LFNE. Then, the penalty function is built by minimizing the Kullback-Leibler divergence of original space and subspace. Furthermore, the efficiency and the robustness of LFNE optimization are improved by the fix-point optimization algorithm. The proposed method is evaluated on artificial synthetic data and COIL-20 database. Experimental results demonstrate the better effectiveness of visualization by LFNF.