Visualizing Data using GTSNE
Peking University（北京大学）
本文提出了一种新的方法GTSNE来显示二维的地图中的高维数据点。该技术是t-SNE的变体，通过捕获数据中的局部邻域结构和宏观结构来产生更好的可视化。这对于位于连续低维流形上的高维数据尤其重要。我们说明了GTSNE在各种数据集上的性能，并将其与最先进的方法（包括t-SNE和UMAP）进行比较。GTSNE产生的可视化效果优于其他技术产生的几乎所有的数据集上的宏观结构保存。
2021-08-03 cs.HC cs.LG math.OC
Visualizing High Dimensional Dynamical Processes
Utah State University（犹他州立大学）
近年来，动力系统和时间序列的流形学习技术已经显示出其广泛的应用。虽然这些方法在学习低维表示方面是有效的，但它们通常不足以可视化数据的全局和局部结构。在本文中，我们提出了DIG（动态信息几何），多变量时间序列数据的可视化方法，从扩散框架中提取的信息几何。具体来说，我们实现了一组新的距离扩散算子的上下文中，这可能是有用的，以揭示结构的数据，可能无法访问常用的扩散距离。最后，我们提出了一个案例研究，应用我们的可视化工具，脑电图数据可视化睡眠阶段。
2019-06-25 cs.LG eess.SP stat.ML
m-TSNE: A Framework for Visualizing High-Dimensional Multivariate Time Series
University of Southern California（南加州大学）
多变量时间序列（MTS）在医疗保健领域越来越常见，其中收集人类生命体征和实验室结果用于预测诊断。最近，已经有越来越多的努力可视化医疗MTS数据的基础上，星图或平行坐标。然而，这样的技术对于可视化大型MTS数据集可能不是理想的，因为由于MTS固有的高维度，很难获得见解或解释。在本文中，我们提出了“m-TSNE”：一个简单而新颖的框架，通过将它们投影到低维（2-D或3-D）空间，同时捕获底层数据属性来可视化高维MTS数据。我们的框架易于使用，并为医疗保健专业人员提供可解释的见解，以了解MTS数据。我们在两个真实世界的数据集上评估了我们的可视化框架，并证明了我们的m-TSNE的结果显示了易于理解的模式，而其他方法的可视化可能在可解释性方面存在局限性。
2017-08-26 cs.LG stat.ME
Visualizing High-Dimensional Graph Embeddings via Informed Multi-View Projections
Khoury College of Computer Sciences, Northeastern University（东北大学库里计算机科学学院）；School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）
提出在高维空间中嵌入图，并通过可微分的边交叉代理搜索优化美学和可读性指标的二维视角，优于标准布局，并引入交互系统DataFly。
2026-08-11 cs.LG
Visualizing Bags of Vectors
这项工作的动机是双重的- a）比较存在于一袋向量格式中的两种不同的可视化数据模式b）提出一个理论模型，支持一种新的可视化数据模式。使用最小体积嵌入可以实现高维数据的可视化，但数据必须以适合计算相似性的格式存在，同时保持局部距离。本文比较了两种表示数据的方法之间的可视化，并提出了一种新的方法，该方法提供了示例可视化。
2013-10-12 cs.CL cs.IR cs.LG
DataMap: A Portable Application for Visualizing High-Dimensional Data
South Dakota State University（南达科他州立大学）
针对生物医学研究中高维数据可视化分析的需求，提出基于浏览器的DataMap应用，支持热图、PCA等可视化方法，保障数据隐私且无需安装，还能生成可复现代码。
2025-04-11 cs.HC cs.LG q-bio.QM
DeepView: Visualizing Classification Boundaries of Deep Neural Networks as Scatter Plots Using Discriminative Dimensionality Reduction
Bielefeld University（比勒费尔德大学）
使用深度架构的机器学习算法已经能够实现越来越强大和成功的模型。然而，它们也变得越来越复杂，更难理解，更容易被愚弄。到目前为止，文献中的大多数方法都是针对单个给定的输入数据来研究模型的决策。在本文中，我们提出了可视化的一部分决策功能的深度神经网络与一部分的数据集在两个维度与歧视性降维。这使我们能够检查模型如何处理数据的不同属性，例如离群值，对手或中毒数据。此外，所提出的方法是对文献中提到的解释方法的补充，因此与这些方法结合可能更有用。代码可在https://github.com/LucaHermes/DeepView上获得。
2020-08-19 cs.LG stat.ML
The Rashomon Effect for Visualizing High-Dimensional Data
Duke University（杜克大学）
本文提出拉什蒙效应，通过多嵌入方法提升可视化表示的可解释性和鲁棒性，引入主成分对齐、概念对齐正则化和可信邻近关系提取三种方法。
2026-08-28 cs.LG
Embedding Comparator: Visualizing Differences in Global Structure and Local Neighborhoods via Small Multiples
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）
将高维离散输入映射到低维连续向量空间的嵌入作为捕获领域语义的一种方式已被广泛用于机器学习应用中。采访了13个跨学科的嵌入式用户，我们发现比较嵌入是部署或下游分析的关键任务，但以繁琐的方式展开，不支持系统的探索。作为回应，我们提出了嵌入比较器，一个交互式系统，提出了一个全球性的嵌入空间的比较，同时细粒度检查当地的邻里。它通过计算一对空间之间的每个嵌入对象的$k$ -最近邻居的相似性来系统地表面比较点。通过跨多种模态的案例研究，我们证明了我们的系统可以快速揭示洞察力，例如微调后的语义变化，随着时间的推移的语言变化以及看似相似的模型之间的差异。在15名参与者的评估中，我们发现我们的系统通过从费力的手动规范转向浏览和操纵可视化来加速比较。
2022-03-04 cs.CL cs.HC cs.LG
PixelSNE: Visualizing Fast with Just Enough Precision via Pixel-Aligned Stochastic Neighbor Embedding
Korea University（高丽大学）；University of Michigan（密歇根大学）；Georgia Tech（佐治亚理工学院）
在二维空间中嵌入和可视化大规模高维数据是一个重要的问题，因为这种可视化可以揭示复杂数据的深刻见解。然而，大多数现有的嵌入方法，运行在一个过高的精度，忽略了这样一个事实，即在最后，嵌入输出被转换成粗粒度的离散像素坐标在屏幕空间。出于这样的观察和直接考虑像素坐标的嵌入优化过程中，我们加速Barnes-Hut树为基础的t分布随机邻居嵌入（BH-SNE），被称为最先进的2D嵌入方法，并提出了一种新的方法称为PixelSNE，一个高效的，屏幕分辨率驱动的2D嵌入方法与线性计算复杂性的数据项的数量。我们的实验结果表明，PixelSNE的运行时间明显快于BH-SNE，同时保持嵌入质量的最小退化。最后，我们的方法的源代码可以在www.example.com上公开获得
2017-03-03 cs.LG
Visualizing the Finer Cluster Structure of Large-Scale and High-Dimensional Data
SAS Inc.（SAS公司）
随着大型数据库的迅速发展，高维数据的降维和可视化成为数据科学中非常重要的研究课题。在本文中，我们提出了使用一个广义的sigmoid函数在高维和低维空间的距离相似性建模。特别地，在低维空间中的广义sigmoid函数中引入了参数b，使得我们可以通过改变b的值来调整函数尾部的沉重程度。使用模拟和真实世界的数据集，我们表明，我们提出的方法可以产生的可视化结果相媲美的均匀流形近似和投影（UMAP），这是一个新开发的流形学习技术，具有快速的运行速度，更好的全局结构，并可扩展到大规模的数据集。此外，根据研究的目的和数据结构，我们可以减小或增大b的值，以揭示数据的更精细的聚类结构，或者保持嵌入的邻域连续性，以便更好地可视化。最后，我们使用领域知识来证明，较小的b值所揭示的更精细的子集群是有意义的。
2020-07-17 cs.CV cs.LG stat.ML
Visualizing LLM Latent Space Geometry Through Dimensionality Reduction
Department of Computer Science, University of Virginia（计算机科学系，弗吉尼亚大学）
通过PCA和UMAP降维，可视化GPT-2和LLaMa中Transformer层的潜在状态几何，发现注意力与MLP输出分离、初始位置高范数及螺旋结构等模式。
2026-06-11 cs.LG
Visualizing Data Velocity using DSNE
School of Mathematical Sciences（数学科学学院）；Peking University（北京大学）
我们提出了一种新的技术称为“DSNE”，学习的速度嵌入的低维地图点时，给定的高维数据点，其速度。该技术是随机邻域嵌入的一种变体，它利用点的单位长度速度与点到其近邻的单位长度方向之间在单位球面上的欧氏距离来定义相似性，并尝试在高维空间和低维空间中匹配这两种相似性，以找到低维空间上的速度嵌入。DSNE可以通过在二维或三维空间中呈现数据点的运动，帮助可视化数据点在高维空间中的运动。这有助于了解细胞分化和胚胎发育的机制。
2021-03-15 cs.LG math.OC q-bio.QM
Parallax: Visualizing and Understanding the Semantics of Embedding Spaces via Algebraic Formulae
Uber AI Labs（优步人工智能实验室）；Uber Technologies Inc.（优步科技公司）；Facebook（脸书）；Purdue University（普渡大学）
嵌入是许多现代机器学习和自然语言处理模型的基本组成部分。理解它们并将其可视化对于收集有关它们捕获的信息和模型行为的见解至关重要。分析嵌入的现有技术包括将它们投影在二维平面中，而没有与投影轴相关联的任何可解释的语义，这使得多组嵌入之间的详细分析和比较具有挑战性。在这项工作中，我们建议使用明确的轴定义为代数公式的嵌入投影到一个较低的维度，但语义有意义的子空间，作为一个简单而有效的分析和可视化方法。该方法为可变性的度量和可视化的轴分配了可解释的语义，允许不同嵌入集之间的比较和嵌入空间的细粒度检查。我们通过一系列的案例研究，利用可视化构建的基础方法，并通过用户研究，展示了所提出的方法的力量。结果表明，该方法在提供比经典投影方法更深刻的见解方面是有效的，并且它如何广泛适用于许多其他用例。
2019-05-28 cs.CL cs.LG
Probing Implicit Bias in Semi-gradient Q-learning: Visualizing the Effective Loss Landscapes via the Fokker--Planck Equation
Shanghai Jiao Tong University（上海交通大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文引入 Fokker–Planck 方程并基于采样数据可视化半梯度 Q-learning 的有效损失景观，揭示全局极小值向鞍点的转变及其隐式偏差。
2024-06-12 cs.AI cs.LG
Visualizing the embedding space to explain the effect of knowledge distillation
Korea University（高丽大学）
最近的研究发现，知识蒸馏可以有效地减少网络的规模和提高泛化能力。例如，一个预先训练好的大型教师网络被证明能够引导学生模型，最终在有限的标签环境中超过教师。尽管取得了这些进展，但仍然不清楚\emph{why}这种方法是否有效，也就是说，最终的学生模型做得“更好”。为了解决这个问题，我们利用两种非线性低维嵌入方法（t-SNE和IVIS）来可视化网络中不同层的表示空间。我们进行了一系列广泛的实验，不同的结构参数和蒸馏方法。由此产生的可视化和指标清楚地表明，与非蒸馏版本相比，蒸馏引导网络在早期层中找到更紧凑的表示空间，以获得更高的准确性。
2021-10-09 cs.CV cs.LG
A Radar-Shaped Statistic for Testing and Visualizing Uniformity Properties in Computer Experiments
Ecole Nationale Supérieure des Mines（国立高等矿业学校）
在计算机代码的研究中，尽可能均匀地填充空间对于描述所研究现象的复杂性是很重要的。然而，这种性质并不通过减少维度来保持。一些数值试验设计在这个意义上被认为是拉丁超立方体或正交表，但它们只考虑到轴或坐标平面上的投影。在这篇文章中，我们介绍了一个统计，它允许研究良好的分布点，根据所有的1维投影。通过有角度地扫描域，我们得到一个雷达型表示，允许的均匀性缺陷的设计，以确定其在直线上的投影。这种新工具的优点，通常的例子空间填充设计（SFD）和独立的旋转角度的全局统计进行了研究。
2008-02-15 cs.LG math.ST stat.TH
Visualizing high-dimensional loss landscapes with Hessian directions
Frankfurt School of Finance and Management（法兰克福金融管理学院）；University of Florida（佛罗里达大学）
本文通过结合高维概率与微分几何，分析低维损失表示与原始损失空间曲率的关系，指出随机投影难以正确识别鞍点，并提出沿主导 Hessian 方向投影的方法，以更准确地可视化和理解高维损失景观的几何结构及其与泛化能力的关系。
2023-12-01 cs.CV cs.LG stat.CO
Tracking and Visualizing Signs of Degradation for an Early Failure Prediction of a Rolling Bearing
Tohoku University（东北大学）
预测性维护，即在故障发生前几步预测故障，是工业4.0的支柱之一。一种有效的方法是在故障发生之前跟踪性能下降的早期迹象。本文提出了一种创新的机器故障预测方案。该方案结合了使用全频谱的振动数据所造成的机器和数据可视化技术。该方案的特点是不需要训练数据，安装后快速启动。首先，我们建议使用全谱（作为高维数据向量），没有裁剪和复杂的特征提取，并通过将高维向量映射到2D地图来可视化数据行为。然后，我们可以确保过程的简单性和忽略重要信息的可能性，以及提供人性化和人类可理解的输出。其次，我们提出了实时数据跟踪器（RTDT），它预测故障在适当的时间有足够的时间进行维护，通过绘制实时频谱数据的目标机器上的二维地图组成的正常数据。第三，我们使用公共数据集IMS数据集提供的真实世界测试到故障测量的轴承振动数据来显示我们的建议的测试结果。
2020-11-18 cs.LG cs.RO eess.SP
Visualizing Critic Match Loss Landscapes for Interpretation of Online Reinforcement Learning Control Algorithms
本文提出一种可视化批评匹配损失景观的方法，用于分析在线强化学习算法的动态控制问题，通过投影记录的批评参数轨迹，揭示批评学习行为的三维损失表面和二维优化路径。
2026-03-15 cs.AI cs.LG cs.RO
