Stochastic Neighbor Embedding under f-divergences
Janelia Research Campus（珍妮利亚研究园区）；AIFounded Inc.（AIFounded公司）；Columbia University（哥伦比亚大学）
t分布随机邻域嵌入（t-SNE）是一种强大而流行的高维数据可视化方法。它最大限度地减少了原始和嵌入数据分布之间的Kullback-Leibler（KL）分歧。在这项工作中，我们建议将这种方法扩展到其他f-发散。我们分析和经验评估的类型的潜在结构流形，集群和层次，以及捕获使用原始的KL分歧以及建议的f-发散泛化，并发现不同的分歧执行更好的不同类型的结构。$t$ -SNE准则的一个共同问题是，它是使用梯度下降优化的，并且可能陷入较差的局部最小值。我们建议通过最小化变分界限来优化基于f-散度的损失准则。这通常比优化原始形式表现得更好，我们的实验表明，它可以改善从原始$t$ -SNE标准获得的嵌入结果。
2018-11-03 cs.LG stat.ML
Manifold-aligned Neighbor Embedding
Princeton University（普林斯顿大学）
在本文中，我们介绍了一个邻居嵌入框架的流形对齐。我们证明了使用一致流形近似和投影算法的流形对齐版本的框架的有效性。我们表明，我们的算法可以学习对齐的流形，这在视觉上与整个数据集的嵌入竞争。
2022-05-19 cs.LG
DR-SNE: Density-Regularized Stochastic Neighbor Embedding
DR-SNE是SNE的简单扩展，通过加入对齐归一化逆邻域尺度轮廓的正则项，在保留相对局部浓度的同时改善邻域保真度，适用于需关注局部浓度相对变化的降维场景。
2026-08-25 cs.LG
Stochastic Neighbor Embedding with Gaussian and Student-t Distributions: Tutorial and Survey
University of Waterloo（滑铁卢大学）
随机邻域嵌入（SNE）是一种基于概率的流形学习和降维方法。在SNE中，每个点都被认为是所有其他点的邻居，并试图在嵌入空间中保持这种概率。SNE在输入空间和嵌入空间中都考虑了概率的高斯分布。然而，t-SNE在这些空间中分别使用Student-t和高斯分布。在本教程和综述论文中，我们将解释SNE、对称SNE、t-SNE（或Cauchy-SNE）和具有一般自由度的t-SNE。我们还介绍了这些方法的样本外扩展和加速。
2022-08-03 cs.CV cs.LG stat.ML
Unit Ball Model for Embedding Hierarchical Structures in the Complex Hyperbolic Space
Hong Kong University of Science and Technology（香港科技大学）；Ant Group（蚂蚁集团）
近年来，双曲空间中具有层次结构的数据的表示方法越来越受到人们的关注。由于恒定的负曲率，双曲空间类似于树度量，并自然地捕获了树的性质，这使得双曲嵌入优于传统的欧几里得模型。然而，许多现实世界的层次结构数据，如分类法和多树网络具有不同的局部结构，它们不是树，因此它们并不普遍匹配双曲空间的常曲率属性。为了解决双曲嵌入的这一局限性，我们探索了复双曲空间，它具有可变的负曲率，用于表示学习。具体来说，我们建议学习复杂双曲空间的单位球模型中分层结构数据的嵌入。基于单位球模型的嵌入具有更强的表示能力，可以捕捉各种层次结构。通过对合成数据和真实数据的实验，我们表明，我们的方法比双曲嵌入模型有显着改进。我们还探讨了复双曲几何在多重树结构和$1$ - $N$结构上的能力。
2022-02-18 cs.LG
Urban2Vec: Incorporating Street View Imagery and POIs for Multi-Modal Urban Neighborhood Embedding
Stanford University（斯坦福大学）；Renmin University of China（中国人民大学）
理解城市的内在模式和预测城市的时空特征需要对城市街区进行全面的表征。现有的作品依赖于区域间或区域内的连通性来生成邻域表示，但未能充分利用邻域内的信息丰富但异构的数据。在这项工作中，我们提出了Urban2Vec，这是一个无监督的多模态框架，它结合了街景图像和兴趣点（POI）数据来学习邻域嵌入。具体来说，我们使用卷积神经网络从街景图像中提取视觉特征，同时保持地理空间相似性。此外，我们将每个POI建模为包含其类别，评级和评论信息的词袋。类似于自然语言处理中的文档嵌入，我们在向量空间中建立邻域（“文档”）与其周围POI中的单词之间的语义相似度。通过将视觉、文本和地理空间信息联合编码到邻域表示中，Urban2Vec可以在下游预测任务中实现比基线模型更好的性能，并与全监督方法相媲美。在美国三个大都市区的大量实验也证明了模型的可解释性、泛化能力及其在邻域相似性分析中的价值。
2020-01-29 cs.CV cs.LG stat.ML
StarMAP: Global Neighbor Embedding for Faithful Data Visualization
Hokkaido University（北海道大学）
StarMAP将PCA的全局结构优势融入邻居嵌入，提出星吸引机制，在保持可解释性和计算效率的同时实现更忠实的可视化。
2025-02-06 cs.LG
Supervised Stochastic Neighbor Embedding Using Contrastive Learning
University of Geneva（日内瓦大学）
本研究将自监督对比学习扩展至全监督设置，提出一种有监督随机近邻嵌入方法，通过在低维空间中拉近同类样本、推开异类样本，有效利用标签信息以优化数据可视化。
2023-09-15 cs.LG
EmbeddingTree: Hierarchical Exploration of Entity Features in Embedding
Visa Research（维萨研究）
本文提出 EmbeddingTree 层次化嵌入探索算法及交互式可视化工具，将实体特征语义与嵌入向量关联，支持特征去噪、注入及未见实体嵌入生成，并在工业级商户数据和公开 30Music 数据集上验证了有效性。
2023-08-02 cs.AI cs.LG
Acoustic Neighbor Embeddings
Apple（苹果公司）
本文提出了一种新的声学字嵌入称为声学邻居嵌入语音或文本的任意长度被映射到一个向量空间的固定，减少尺寸通过适应随机邻居嵌入（SNE）顺序输入。嵌入空间中坐标之间的欧氏距离反映了其对应序列之间的语音混淆性。训练两个编码器神经网络：声学编码器，其接受从声学模型获得的逐帧子字后验概率形式的语音信号，以及文本编码器，其接受子字transmittance形式的文本。与三重损失准则相比，所提出的方法具有更有效的神经网络训练梯度。在实验上，当两个编码器网络在单词（名称）识别任务中串联使用时，以及当文本编码器网络在近似语音匹配任务中独立使用时，它也给出了更准确的低维嵌入结果。特别是，在一个孤立的名称识别任务，仅依赖于建议的嵌入向量之间的欧几里德最近邻搜索，识别精度是相同的传统的有限状态转换器（FST）的解码使用测试数据与多达1万个名称的词汇和40个维度的嵌入。
2022-01-06 cs.LG cs.SD eess.AS
Node Embeddings via Neighbor Embeddings
Hertie AI, University of Tübingen, Germany（赫尔特人工智能研究所、图宾根大学，德国）；Department of Computer Science, Aarhus University, Denmark（计算机科学系，奥胡斯大学，丹麦）
本文提出图邻居嵌入框架，无需随机游走即可直接整合相邻节点的嵌入向量，优于现有节点嵌入算法，在局部结构保持方面表现突出，并应用于2D节点嵌入问题，获得优于现有图布局算法的t-SNE布局。
2025-11-24 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
Clustering by Hierarchical Nearest Neighbor Descent (H-NND)
University of Electronic Science and Technology of China（电子科技大学）
在2014年之前，我们提出了最近下降（ND）方法，能够生成一个高效的图，称为入树（IT）。由于一些漂亮而有效的特性，这种IT结构被证明非常适合数据聚类。虽然IT中存在一些冗余边，但它们通常具有显著的特征，因此删除它们并不难。随后，为了防止出现看似冗余的边缘，我们提出了最近邻下降（NND），通过添加“邻居”约束ND。因此，集群自动出现，而无需删除冗余边缘的额外要求。然而，NND被证明仍然不是完美的，因为它带来了一个新的但更糟糕的问题，“过度划分”问题。现在，在本文中，我们提出了一种方法，称为分层最近邻下降（H-NND），它克服了NND的过度划分问题，通过使用分层策略。具体来说，H-NND使用ND来有效地合并NND产生的过度分段的子图或聚类。与ND一样，H-NND也生成IT结构，其中冗余边再次出现。这似乎又回到了ND面临的情况。然而，与ND相比，由H-NND生成的IT结构中的冗余边通常变得更加突出，因此即使通过将边长度作为唯一度量的最简单的边去除方法也更容易和更可靠地被识别。换句话说，由H-NND构造的IT结构变得更适合数据聚类。我们证明了这几个不同形状，尺寸和属性的聚类数据集。此外，与ND相比，H-NND通常需要更少的计算时间来构造输入数据的IT数据结构。
2016-03-04 cs.CV cs.LG stat.ME
A Geometry-Aware Algorithm to Learn Hierarchical Embeddings in Hyperbolic Space
Alibaba Inc.（阿里巴巴集团）；University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校）；Carnegie Mellon University（卡内基梅隆大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）；Purdue University（普渡大学）
针对双曲空间与欧氏空间几何差异导致层次数据双曲嵌入学习困难的问题，提出一种利用膨胀操作和传递闭包正则化解决三类病态问题的几何感知算法，实验证明其性能优越。
2024-07-23 cs.AI cs.LG
Doubly Stochastic Neighbor Embedding on Spheres
Aalto University（阿尔托大学）；Australian National University（澳大利亚国立大学）；University of Oslo（奥斯陆大学）；University of Helsinki（赫尔辛基大学）；Norwegian University of Science and Technology（挪威科技大学）
随机邻域嵌入（SNE）方法最小化了高维数据集的相似性矩阵与低维嵌入的相似性矩阵之间的差异，从而导致广泛应用的数据可视化工具。尽管他们的流行，目前SNE方法遇到拥挤的问题时，数据包括高度不平衡的相似性。这意味着具有更高总相似性的数据点倾向于在显示中心周围变得拥挤。为了解决这个问题，我们引入了一个快速的归一化方法，并规范化的相似性矩阵是双重随机的，使所有的数据点有相等的总相似度。此外，我们的经验和理论表明，双随机约束往往会导致嵌入近似球形。这意味着用球面代替平面空间作为嵌入空间。球面嵌入消除了可视化过程中中心和边缘的不一致性，有效地解决了拥挤问题。我们比较了所提出的方法（DOSNES）与最先进的SNE方法在三个真实世界的数据集，结果清楚地表明，我们的方法是更有利的可视化质量。
2018-09-11 cs.LG
Assessing and improving reliability of neighbor embedding methods: a map-continuity perspective
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；Harvard University（哈佛大学）；T.H. Chan School of Public Health（陈曾熙公共卫生学院）
本文从映射连续性视角评估邻居嵌入方法的可靠性，提出LOO-map框架将嵌入映射扩展至整个输入空间，识别出两种导致视觉伪影的映射不连续性，并开发逐点诊断分数以检测不可靠嵌入点和改进超参数选择。
2025-04-01 cs.LG stat.CO stat.ME
Knowledge Graph Embedding with Entity Neighbors and Deep Memory Network
Dalian University of Technology（大连理工大学）
知识图谱嵌入是将知识图谱中的实体和关系表示在一个低维的连续向量空间中。近年来的研究主要集中在将结构化知识与附加信息（如实体描述、关系路径等）相结合，但是常用的附加信息往往含有大量的噪声，使得学习有价值的表示变得困难。在本文中，我们提出了一种新的附加信息，称为实体邻居，它包含了给定实体的语义和拓扑特征。然后，我们开发了一个深度记忆网络模型来编码来自邻居的信息。采用门控机制，结构和邻居的表示被集成到一个联合表示。实验结果表明，我们的模型优于现有的KGE方法利用实体描述，并实现了最先进的度量4个数据集。
2018-08-11 cs.CL cs.LG
VN Network: Embedding Newly Emerging Entities with Virtual Neighbors
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；Shandong University（山东大学）；Tencent AI Lab（腾讯AI实验室）
本文提出虚拟邻居（VN）网络，通过规则推断虚拟邻居、利用逻辑与对称路径规则捕获远距离信息，并采用迭代学习方案，有效缓解新出现实体嵌入中的邻居稀疏性问题，在两个知识图谱补全任务上显著优于现有方法。
2024-02-21 cs.AI cs.LG
Rapid Near-Neighbor Interaction of High-dimensional Data via Hierarchical Clustering
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Duke University（杜克大学）
计算高维、不规则分布的数据点之间的近邻交互是许多基于图或基于核的机器学习算法和应用的基本任务。这样的计算，涉及大的，稀疏的相互作用矩阵，暴露了传统的数据和计算重新排序技术的限制，以提高现代计算机存储层次结构上的空间和时间的局部性。我们介绍了一种新的方法来获得矩阵置换，使一个理想的稀疏配置文件。该方法的区别在于指导原则，以获得具有密集块的块稀疏的轮廓。我们的配置文件模型和措施捕获影响空间和时间局部性的基本属性，并允许在稀疏配置文件的变化，而不施加限制到一个固定的模式。第二个区别在于通过探索和利用隐藏在数据中但固有的多尺度聚类结构来获得所需配置文件的有效算法。该算法完成其任务的关键组件低维嵌入数据特定的主特征轴，分层数据聚类，多级矩阵压缩存储，和多级交互计算。我们提供了两个重要的数据分析算法的案例研究的实验结果。由此产生的性能是显着可比的BLAS性能的最佳情况下的相互作用所管辖的一个定期带状矩阵具有相同的稀疏性。
2017-09-12 cs.LG
Hierarchical Classification of Transversal Skills in Job Ads Based on Sentence Embeddings
本研究提出基于句子嵌入的招聘广告横向技能分层分类框架，结合ESCO分类标注、分层多标签策略与数据增强，对比发现英语专用与多语言嵌入模型准确率相近，验证了方法有效性及多语言模型对欧洲就业市场的适用性。
2024-01-10 cs.CL cs.LG
SQuadMDS: a lean Stochastic Quartet MDS improving global structure preservation in neighbor embedding like t-SNE and UMAP
MIT Media Lab（麻省理工学院媒体实验室）；UCLouvain（鲁汶天主教大学）；IREC（鲁汶天主教大学临床与实验研究所）
多维缩放是一种统计过程，旨在将高维数据嵌入到低维空间中;该过程通常用于数据可视化。常见的多维尺度算法往往具有较高的计算复杂性，使得它们不适用于大型数据集。这项工作介绍了一种随机的，力导向的方法，多维缩放的时间和空间复杂度为O（N），N个数据点。该方法可以与相邻嵌入家族的力定向布局（如t-SNE）相结合，以产生保留数据的全局和局部结构的嵌入。实验评估质量的嵌入产生的独立版本和其混合扩展定量和定性，表现出竞争力的结果优于国家的最先进的方法。代码可在https://github.com/PierreLambert3/SQuaD-MDS-and-FItSNE-hybrid上获得。
2022-02-24 cs.LG
TME-BNA: Temporal Motif-Preserving Network Embedding with Bicomponent Neighbor Aggregation
Zhejiang University（浙江大学）
演化的时间网络是许多现实动态系统的抽象，例如，社交网络和电子商务。时间网络嵌入的目的是将每个节点映射到用于下游任务的时间演进低维向量，例如，链接预测和节点分类。时态网络嵌入的难点在于如何联合利用拓扑和时间信息来捕捉时态网络的演化。针对这一挑战，我们提出了一种基于双组分邻域聚合的时间基元保持网络嵌入方法，称为TME-BNA。考虑到时间模体对于理解时间网络的拓扑规律和功能特性至关重要，TME-BNA基于时间模体构造额外的边特征，以显式地利用具有时间信息的复杂拓扑结构.为了捕捉节点的拓扑动态，TME-BNA利用图神经网络（GNNs）根据连接边的时间戳分别聚合历史和当前邻居。在三个公共时态网络数据集上进行了实验，结果表明了TME-BNA的有效性。
2021-10-26 cs.LG cs.SI
HERCULES: Hierarchical Embedding-based Recursive Clustering Using LLMs for Efficient Summarization
University of Debrecen（德布勒恩大学）
该研究提出HERCULES分层递归聚类算法及Python包，深度集成LLM生成聚类语义描述以提升可解释性，支持多模态数据、两种聚类模式与主题引导，搭配可视化工具，可从复杂数据中提取分层知识。
2025-09-03 cs.AI cs.LG
Stochastic Neighbor Embedding of Multimodal Relational Data for Image-Text Simultaneous Visualization
Kyoto University（京都大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；NAVER Corporation（NAVER公司）
多模态关系数据分析近年来变得越来越重要，用于探索不同领域的数据，诸如从社交网络服务（例如，Flickr）。已经开发了各种数据分析方法用于可视化;举一个例子，t-随机邻居嵌入（t-SNE）计算低维特征向量，以便它们的相似性保持观察到的数据向量。然而，t-SNE是专为一个单一的数据域，但不是多模态数据，本文的目的是在可视化的多模态关系数据组成的数据向量在多个域与这些向量之间的关系。通过扩展t-SNE，本文提出了多模态关系随机邻居嵌入（MR-SNE），即（1）首先计算增强关系，其中我们观察跨域的关系，并通过观察到的数据向量计算每个域内的关系，以及（2）将增强关系联合嵌入到低维空间。通过可视化的Flickr和动物与属性2数据集，建议MR-SNE与其他基于图嵌入的方法进行了比较，MR-SNE展示了有前途的性能。
2020-05-02 cs.CL cs.CV cs.HC
Stochastic Cluster Embedding
Norwegian University of Science and Technology（挪威科技大学）；Aalto University（阿尔托大学）；Finnish Geospatial Research Institute（芬兰地理空间研究所）；University of Oslo（奥斯陆大学）；Wellcome Sanger Institute（威康桑格研究所）；University of Helsinki（赫尔辛基大学）
邻域嵌入（NE）旨在保持数据项之间的成对相似性，并已被证明是数据可视化的有效原则。然而，即使是现有的最好的NE方法，如随机邻居嵌入（SNE），也可能隐藏大规模的模式，例如集群，尽管数据中存在强信号。为了解决这个问题，我们提出了一个新的集群可视化方法的基础上的邻居嵌入原则。首先，我们提出了一个家庭的邻居嵌入方法，通过使用非归一化的Kullback-Leibler散度与尺度参数，概括SNE。在这个系列中，更好的聚类可视化通常会出现与SNE对应的参数值不同的参数值。我们还开发了一个高效的软件，采用异步随机块坐标下降优化新的家庭的目标函数。我们的实验结果表明，该方法一致，并大大提高了可视化的数据集群相比，国家的最先进的NE方法。
2021-09-14 cs.LG
ParChain: A Framework for Parallel Hierarchical Agglomerative Clustering using Nearest-Neighbor Chain
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；UC Riverside（加利福尼亚大学河滨分校）
本文研究了层次聚类问题，其目标是产生一个树状图，表示聚类在不同规模的数据集。我们提出了ParChain框架设计并行层次凝聚聚类（HAC）算法，并使用该框架，我们获得新的并行算法的完整的联系，平均联系，和沃德的联系标准。与大多数需要二次存储的并行HAC算法相比，我们的新算法只需要线性存储，并且可扩展到大数据集。ParChain基于我们对最近邻链算法的并行化，并允许在每一轮合并多个集群。我们介绍了两个关键的优化，是至关重要的效率：范围查询优化，减少了距离计算的数量时，找到最近的邻居的集群，和缓存优化存储的子集以前计算的距离，这是可能被重用。实验表明，我们的高度优化的实现使用48个核心的双向超线程实现5.8- 110.1倍的加速比最先进的并行HAC算法，并实现13.75- 54.23倍的自相关加速比。与最先进的算法相比，我们的算法所需的空间减少了237.3倍。我们的算法能够扩展到具有数千万个点的数据集大小，这是现有算法无法处理的。
2022-02-14 cs.DB cs.DC cs.DS
Equilibrium Distribution for t-Distributed Stochastic Neighbor Embedding with Generalized Kernels
Yi Gu
本文研究广义核 t-SNE 在数据点数量趋于无穷时的收敛性，给出广义输入核与输出核的具体形式，并证明其在一定条件下收敛至平衡分布。
2026-10-14 cs.LG math.PR math.ST
N-GRPO: Embedding-Level Neighbor Mixing for Enhanced Policy Optimization
Zhejiang University（浙江大学）；Ant Group（蚂蚁集团）
针对大语言模型数学推理中探索策略的折衷问题，提出N-GRPO方法，通过语义邻居混合机制在嵌入层注入多样性，在保持语义一致性的同时提升策略优化效果。
2026-06-09 cs.CL cs.LG
Reasoning Through Memorization: Nearest Neighbor Knowledge Graph Embeddings
Zhejiang University（浙江大学）
提出kNN-KGE方法，通过预训练语言模型结合k近邻线性插值实体分布，显式记忆罕见或新实体，显著提升归纳与直推式链接预测及低资源场景下的性能。
2023-07-30 cs.AI cs.CL cs.DB
Neighborhood-Adaptive Generalized Linear Graph Embedding with Latent Pattern Mining
School of Computer and Information, Anhui Normal University（安徽师范大学计算机与信息学院）；Anhui Provincial Key Laboratory of Industrial Intelligent Data Security（安徽省工业智能数据安全重点实验室）；Institute of Automation, State Key Laboratory of Multimodal Artificial Intelligence Systems, Chinese Academy of Sciences（自动化研究所，多模态人工智能系统国家重点实验室，中国科学院）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
针对现有图嵌入方法在邻域预设和模式挖掘单一上的局限，提出邻域自适应广义线性图嵌入模型NGLGE，结合自适应图学习、低秩表示和ℓ2,0约束，在多样数据集上超越现有方法。
2025-10-07 cs.CV cs.LG
Hierarchical and Permutation-Invariant Feature Transformation Learning via Policy-Guided Embedding Search
University of Kansas（堪萨斯大学）；Southwest University of Finance and Economics（西南财经大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）；University of Auckland（奥克兰大学）；Arizona State University（亚利桑那州立大学）；Northeast Normal University（东北师范大学）
针对表格数据特征变换中的层次关系缺失、置换不变性偏差及梯度搜索不适配问题，提出置换不变分层模块与策略引导多目标强化学习框架，提升预测性能与效率。
2026-09-10 cs.AI cs.LG
Tabular Embeddings for Tables with Bi-Dimensional Hierarchical Metadata and Nesting
Florida State University（佛罗里达州立大学）；University of South Florida（南佛罗里达大学）
针对含双维层次元数据与嵌套的表格，提出专用嵌入方法，在5个数据集和3个任务上MAP最高提升0.28，优于现有模型。
2025-02-20 cs.AI cs.CL cs.LG
FedNE: Surrogate-Assisted Federated Neighbor Embedding for Dimensionality Reduction
The Ohio State University（俄亥俄州立大学）
本文提出FedNE，一种将FedAvg框架与对比NE技术结合的联邦邻居嵌入方法，通过代理损失函数和数据混合策略解决联邦环境下客户端间排斥力缺失及本地kNN图构建错误邻居的问题，有效保留了邻域数据结构并增强了全局嵌入空间的对齐。
2024-10-14 cs.AI cs.LG
