O ile mi wiadomo, zarówno autoencodery, jak i t-SNE są używane do nieliniowej redukcji wymiarowości. Jakie są między nimi różnice i dlaczego powinienem używać jednego kontra drugiego?
12
O ile mi wiadomo, zarówno autoencodery, jak i t-SNE są używane do nieliniowej redukcji wymiarowości. Jakie są między nimi różnice i dlaczego powinienem używać jednego kontra drugiego?
Obie próbują znaleźć osadzenie danych o niższych wymiarach. Istnieją jednak różne problemy z minimalizacją. Mówiąc dokładniej, autoencoder próbuje zminimalizować błąd rekonstrukcji, podczas gdy t-SNE próbuje znaleźć przestrzeń o niższych wymiarach, a jednocześnie stara się zachować odległości sąsiedztwa. W wyniku tego atrybutu t-SNE jest zwykle preferowany w przypadku wykresów i wizualizacji.
Z „Uczenia się osadzania parametrycznego przez zachowanie lokalnej struktury” Laurens van der Maaten ( https://lvdmaaten.github.io/publications/papers/AISTATS_2009.pdf )
źródło
Autoencoder i t-SNE mogą być używane razem w celu lepszej wizualizacji w danych wielowymiarowych, jak opisano w [1]:
[1] https://blog.keras.io/building-autoencoders-in-keras.html
źródło
Autoencoder ma na celu zachowanie poprzednich danych w sensie 2-normalnym, co można uznać za zachowanie energii kinetycznej danych, jeśli dane są prędkością.
Podczas gdy t-SNE, użyj rozbieżności KL, która nie jest symetryczna, doprowadzi to do skupienia się t-SNE bardziej na strukturze lokalnej, podczas gdy autoencoder ma tendencję do utrzymywania ogólnego błędu L2 na niskim poziomie, co jest w sensie globalnym.
źródło