Parametric t-Distributed Stochastic Exemplar-centered Embedding
NEC Labs America(美国NEC实验室);National Research Council Canada(加拿大国家研究委员会);Duke University(杜克大学)
诸如参数t-SNE(pt-SNE)的参数嵌入方法已被广泛用于数据可视化和样本外数据嵌入,而无需进一步的计算上昂贵的优化或近似。然而,pt-SNE的性能是高度敏感的超参数批量大小,由于冲突的优化目标,并经常产生显着不同的嵌入与用户定义的困惑的不同选择。为了有效地解决这些问题,我们提出了参数t分布随机样本为中心的嵌入方法。我们的策略通过将给定的数据与预先计算的样本进行比较来学习嵌入参数,从而产生具有线性计算和内存复杂度的成本函数,并通过噪声对比样本进一步降低成本函数。此外,我们提出了一种具有高阶特征交互的浅嵌入网络用于数据可视化,该网络更容易调整,但与pt-SNE采用的深度神经网络相比,其性能相当。我们经验证明,使用几个基准数据集,我们提出的方法显着优于pt-SNE的鲁棒性,视觉效果和定量评估。
2018-04-20 cs.LG
Privacy Preserving Adjacency Spectral Embedding on Stochastic Blockmodels
Intel Labs(英特尔研究院)
对于随机块模型生成的图,邻接谱嵌入是渐近一致的。此外,由普遍一致的分类器组成的邻接谱嵌入是普遍一致的,以实现贝叶斯错误。然而,当图包含私有或敏感信息时,将数据视为非私有可能潜在地泄露隐私并招致披露风险。本文提出了一种用于随机块模型的差分私有邻接谱嵌入算法。我们证明,我们提出的方法可以估计的潜在位置接近,在Frobenius范数,通过邻接谱嵌入的潜在位置,并在模拟和真实世界的网络中所需的隐私参数达到相当的精度。
2019-05-16 cs.CR cs.LG stat.ME
A unified view on Self-Organizing Maps (SOMs) and Stochastic Neighbor Embedding (SNE)
NeoInstinct S.A.(NeoInstinct股份有限公司)
我们提出了一个统一的观点,两个广泛使用的数据可视化技术:自组织映射(SOM)和随机邻居嵌入(SNE)。我们表明,它们都可以来自一个共同的数学框架。利用这个公式,我们建议比较SOM和SNE定量两个数据集,并讨论未来工作的可能途径,以利用这两种方法。
2022-05-03 cs.LG cs.NE stat.ML
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
Spaceland Embedding of Sparse Stochastic Graphs
Aristotle University of Thessaloniki(塞萨洛尼基亚里士多德大学);Duke University(杜克大学)
我们介绍了一种非线性方法,直接嵌入大型,稀疏,随机图到低维空间,而不需要顶点特征驻留在,或被转换成,度量空间。图形数据和模型在现实世界的应用中很普遍。除了图形可视化之外,直接图形嵌入是许多图形分析任务的基础。我们将这种新方法命名为SG-t-SNE,因为它受到t-SNE核心原理的启发并建立在t-SNE的基础上,t-SNE是一种广泛使用的非线性降维和数据可视化方法。我们还介绍了t-SNE- $Π$,一个高性能的软件,2D,3D嵌入大型稀疏图在个人电脑上具有优越的效率。它使SG-t-SNE具有现代计算技术,可以同时利用矩阵结构和存储器架构。我们提出了一个合成图和四个真实世界的网络上的嵌入结果。
2019-06-13 cs.LG stat.ML
Dual Triangle Attention: Effective Bidirectional Attention Without Positional Embeddings
Center for Bioinformatics and Computational Biology, University of Delaware Synthyra, Newark, DE(生物信息学与计算生物学中心,德克萨斯大学达勒姆分校辛斯泰拉,新泽西州)
本文提出双三角注意机制,通过分离每个注意力头的查询-键子空间为两个互补的三角掩码,实现双向上下文处理,同时保持位置隐含偏置。在合成argmax任务和MLM实验中表现优异。
2026-04-09 cs.LG q-bio.QM
A Kernel Mean Embedding Approach to Reducing Conservativeness in Stochastic Programming and Control
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Freiburg(弗莱堡大学)
我们将核均值嵌入方法应用于基于样本的随机最优化和控制。具体来说,我们使用缩减集扩展方法作为丢弃采样场景的一种方式。这种约束去除的效果是提高最优性和降低保守性。这是通过求解分布距离正则化最优化问题来实现的。我们证明了这种优化配方是动机良好的理论,计算上易于处理和有效的数值算法。
2020-04-22 cs.LG cs.SY eess.SY
Stochastic Separability of Embedding Manifolds
School of Computer Science(计算机学院);Shanghai Jiao Tong University(上海交通大学)
本文针对两类对象嵌入流形,提出并证明了随机可分性定理,通过投影测度集中分析技术,揭示了对象嵌入流形的几何与统计特性,为深度网络表示学习提供新机制。
2026-08-25 cs.CV cs.LG
SDNA: Stochastic Dual Newton Ascent for Empirical Risk Minimization
University of Edinburgh(爱丁堡大学);Lehigh University(理海大学);Telecom Paris-Tech(巴黎高等电信学院)
我们提出了一个新的算法,以最小化正则化的经验损失:随机双牛顿上升(SDNA)。我们的方法本质上是对偶的:在每次迭代中,我们更新对偶变量的随机子集。然而,与现有的方法,如随机双坐标上升,SDNA是能够利用所有的曲率信息中包含的例子,这导致在理论和实践的显着改善-有时由数量级。在特殊情况下,当一个L2-正则化被用于原始的,对偶问题是一个凹二次最大化问题加上一个可分离项。在这种制度下,SDNA在每一步解决了一个近端子问题,涉及一个随机主子矩阵的海森的二次函数;因此该方法的名称。此外,如果损失函数是二次的,我们的方法可以被解释为最近推出的迭代海森草图的一个新的变种。
2015-02-08 cs.LG
Dual-embedding based Neural Collaborative Filtering for Recommender Systems
Wuhan University(武汉大学)
在众多的推荐技术中,协同过滤(CF)是最成功的一种。CF中的一个关键问题是如何表示用户和项目。以前的作品通常代表一个用户(一个项目)作为一个向量的潜在因素(又名。\textit{embedding}),然后根据表示对用户和项之间的交互进行建模。尽管它的有效性,我们认为,这是不足以产生令人满意的嵌入协同过滤。受SVD++基于用户自身及其交互项表示用户的思想的启发,我们提出了一个通用的协同过滤框架DNCF,简称基于双嵌入的神经协同过滤,以利用历史交互来增强表示。除了学习用户(项目)的原始嵌入之外,我们还从交互项目(用户)的角度引入了额外的嵌入,以增强用户(项目)表示。在四个公开数据集上进行的大量实验证明了我们提出的DNCF框架的有效性,通过将其性能与几个传统的矩阵分解模型和其他最先进的基于深度学习的推荐模型进行比较。
2021-02-05 cs.IR 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
Word Embedding based on Low-Rank Doubly Stochastic Matrix Decomposition
Norwegian University of Science and Technology(挪威科技大学);Aalto University(阿尔托大学)
将单词编码为向量的词嵌入是自然语言处理的重要起点,并且通常用于许多基于文本的机器学习任务。然而,在大多数当前的词嵌入方法中,嵌入空间中的相似性在学习中没有被优化。在本文中,我们提出了一种新的邻居嵌入方法,直接学习嵌入单纯形映射的话之间的相似性是最佳的最小差异的输入邻域。我们的方法是建立在两个步骤的词之间通过主题随机游走,从而能够更好地揭示词之间的主题。实验结果表明,与现有的词嵌入方法相比,该方法更适合于各种查询。
2018-12-12 cs.CL cs.LG stat.ML
Stochastic Prototype Embeddings
University of Colorado, Boulder(科罗拉多大学博尔德分校);Sensory Inc.(感官公司);Google Research(谷歌研究院)
监督深度嵌入方法将域的输入投影到表示空间,在该表示空间中,同类实例彼此靠近,而不同类实例相距较远。我们提出了一种概率方法,将嵌入作为随机变量。扩展最先进的确定性方法,原型网络(Snell等人,2017),我们的方法假设存在一个类原型,类实例围绕该原型高斯分布。原型后验是一个产品的分布在标记的实例,和查询实例分类边缘化相对原型接近嵌入不确定性。我们描述了一个有效的采样器近似推理,使我们能够训练模型在大致相同的空间和时间成本,其确定性的兄弟。消除不确定性可以提高Few-Shot学习的性能,并优雅地处理标签噪声和分布外输入。与现有技术的随机方法相比,Hedged Instance Embeddings(Oh等人,2019年),我们实现了卓越的大和开集分类精度。我们的方法还将类别区分特征与嵌入空间的轴对齐,产生可解释的、解纠缠的表示。
2019-09-25 cs.LG stat.ML
Interpretable Topic Extraction and Word Embedding Learning using row-stochastic DEDICOM
Fraunhofer IAIS(弗劳恩霍夫研究所);University of Bonn(波恩大学)
提出行随机 DEDICOM 变体,在语料库 PMI 矩阵上同时完成可解释主题簇识别与词嵌入学习,并给出高效约束训练方法和定性评估。
2025-07-22 cs.AI cs.CL cs.LG
Accelerated Mini-Batch Stochastic Dual Coordinate Ascent
Hebrew University(希伯来大学);Rutgers University(罗格斯大学)
随机对偶坐标上升法(SDCA)是解决机器学习中正则化损失最小化问题的一种有效方法。本文考虑了SDCA的扩展下的小批量设置,在实践中经常使用。我们的主要贡献是介绍了一个加速的小批量版本的SDCA和证明了这种方法的快速收敛速度。我们讨论了我们的方法在一个并行计算系统的实现,并比较结果的香草随机双坐标上升和加速确定性梯度下降方法的\cite{nesterov2007gradient}。
2013-05-12 cs.LG stat.ML
Toward Structure Fairness in Dynamic Graph Embedding: A Trend-aware Dual Debiasing Approach
The Education University of Hong Kong(香港教育大学);University of Technology Sydney(悉尼科技大学);The Hong Kong Polytechnic University(香港理工大学)
针对动态图嵌入难以兼顾结构公平性与嵌入效果的问题,提出趋势感知的双重去偏算法FairDGE,通过联合建模连接变化与度演化趋势、定制化去偏,实现嵌入效果与公平性的同步提升。
2024-06-19 cs.LG cs.SI
Stochastic Nonlinear Control via Finite-dimensional Spectral Dynamic Embedding
Harvard University(哈佛大学);University of Texas(德克萨斯大学);Google DeepMind and Georgia Tech(谷歌DeepMind和佐治亚理工学院)
本文针对非线性随机系统最优控制问题,提出谱动态嵌入控制(SDEC)方法,通过无限维特征表示实现值函数线性化,采用有限维核近似并理论分析误差,实验表现优于现有算法。
2025-08-26 cs.LG math.OC
Stochastic Gradient Descent for Spectral Embedding with Implicit Orthogonality Constraint
Ecole Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院);Université Paris-Est(巴黎东大学);CNRS(法国国家科学研究中心);ESIEE Paris(巴黎高等电子工程师学院)
在本文中,我们提出了一个可扩展的算法,频谱嵌入。后者是图聚类的标准工具。然而,其计算瓶颈是图的拉普拉斯矩阵的特征分解,这阻碍了其应用于大规模图。我们的贡献包括重新制定频谱嵌入,使其可以通过随机优化来解决。其思想是用直接注入准则的正交化矩阵代替正交约束。由于梯度可以通过Cholesky分解计算,我们的重新制定,使我们能够开发一个有效的算法的基础上小批量梯度下降。实验结果,合成和真实数据,确认所提出的方法的执行速度方面的效率与类似的现有技术。
2019-04-11 cs.LG stat.ML
DCT: Dual Channel Training of Action Embeddings for Reinforcement Learning with Large Discrete Action Spaces
本文提出DCT框架,通过编码器-解码器架构与双通道损失学习动作嵌入,平衡动作重建与状态预测,结合标准强化学习算法,在大离散动作空间中显著提升策略学习效果与收敛速度。
2023-06-28 cs.AI cs.LG
Stochastic Primal Dual Coordinate Method with Non-Uniform Sampling Based on Optimality Violations
Nagoya Institute of Technology(名古屋工业大学);RIKEN Center for Advanced Intelligence Project(理化学研究所革新智能综合研究中心);National Institute for Materials Science(国立材料科学研究所)
研究了非均匀采样下的原始-对偶型随机最优化算法。本文的主要理论贡献是给出了随机原始对偶坐标(SPDC)方法在任意采样下的收敛性分析。在此理论框架下,我们提出了基于最优性违背的采样SPDC(ovsSPDC),一种基于最优性违背的非均匀采样方法。我们还提出了两个有效的启发式ovsSPDC的变种ovsSDPC+和ovsSDPC++。通过大量的数值实验,我们证明了所提出的方法及其变体是快速比其他国家的最先进的原始-对偶型随机最优化方法。
2017-03-21 cs.LG math.OC stat.ML
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
Multiplex Bipartite Network Embedding using Dual Hypergraph Convolutional Networks
The Australian National University(澳大利亚国立大学);Alibaba Group(阿里巴巴集团);National University of Singapore(新加坡国立大学)
二分网络是一种图结构,其中节点来自两个不同的域,并且仅存在域间交互作为边。存在大量的网络嵌入方法来从具有同构和异构节点和边类型的一般图中学习向量节点表示,包括一些可以专门建模二分网络的独特属性的方法。然而,这些方法不足以对多重二分网络(例如,在电子商务中),其具有多种类型的交互(例如,点击、查询和购买)和节点属性。大多数真实世界的多路二分网络也是稀疏的,并且具有不平衡的节点分布,这对建模具有挑战性。在本文中,我们开发了一个无监督的双超图卷积网络(DualHGCN)模型,该模型可扩展地将多路二分网络转换为两组同质超图,并使用谱超图卷积算子,以及内部和内部消息传递策略来促进域内和跨域的信息交换,以学习有效的节点嵌入。我们使用四个真实世界的数据集对DualHGCN进行链接预测和节点分类任务的基准测试。我们广泛的实验表明,DualHGCN显着优于国家的最先进的方法,是鲁棒的稀疏水平和不平衡的节点分布。
2021-02-12 cs.LG cs.SI
Nearly Optimal Linear Convergence of Stochastic Primal-Dual Methods for Linear Programming
The University of Chicago(芝加哥大学)
本文提出一种结合方差缩减与重启的随机原始-对偶算法,用于线性规划,实现高概率线性收敛,并设计高效坐标随机预言机,证明其收敛速率近最优。
2023-12-29 cs.LG math.OC
Stochastic Dual Coordinate Ascent Methods for Regularized Loss Minimization
Hebrew University(希伯来大学);Rutgers University(罗格斯大学)
随机梯度下降算法由于其强大的理论保证,已成为解决大规模有监督机器学习优化问题(如支持向量机)的热门方法。虽然密切相关的双坐标上升(DCA)方法已在各种软件包中实现,但迄今为止缺乏良好的收敛性分析。本文提出了一种新的分析随机双坐标上升(SDCA)显示,这类方法享有强大的理论保证,是可比的或更好的SGD。该分析证明了SDCA在实际应用中的有效性。
2013-01-30 cs.LG math.OC stat.ML
Proximal Stochastic Dual Coordinate Ascent
Hebrew University(希伯来大学);Rutgers University(罗格斯大学)
我们介绍了一种近似的双坐标上升法。我们演示了如何派生的算法框架可以用于许多正则化的损失最小化问题,包括$\ell_1$正则化和结构化输出SVM。我们获得的收敛速度匹配,有时改善,国家的最先进的结果。
2012-11-12 cs.LG math.OC stat.ML
DGEM: A New Dual-modal Graph Embedding Method in Recommendation System
Graduate School at Shenzhen, Tsinghua University(清华大学深圳国际研究生院);Peng Cheng Laboratory(鹏城实验室)
在当前基于深度学习的推荐系统中,一般采用嵌入的方法来完成从高维稀疏特征向量到低维稠密特征向量的转换。然而,由于嵌入层的输入向量的维数太大,嵌入层的增加显著减慢了整个神经网络的收敛速度,这在现实场景中是不可接受的。此外,随着用户与项目之间的交互增加,项目之间的关系变得更加复杂,针对序列数据提出的嵌入方法不再适用于当前现实环境中的图形数据。因此,在本文中,我们提出了双模态图嵌入方法(DGEM)来解决这些问题。DGEM包括静态和动态两种模式。我们首先构造项目图来提取图的结构,并使用不等概率的随机游走来捕获项目之间的高阶邻近度。然后我们通过Skip-Gram模型生成图嵌入向量,最后反馈给下游深度神经网络进行推荐任务。实验结果表明,DGEM能够挖掘项目间的高阶相似度,增强推荐模型的表达能力。同时,它还利用项目之间的时间依赖关系,提高了推荐性能。
2021-08-09 cs.IR cs.LG
Stochastic Dual Coordinate Ascent with Adaptive Probabilities
University of Edinburgh(爱丁堡大学)
本文介绍AdaSDCA:随机对偶坐标上升法(SDCA)的一个自适应变体,用于求解正则化的经验风险最小化问题。我们的修改包括在整个迭代过程中,允许该方法自适应地改变对偶变量的概率分布。AdaSDCA实现了比SDCA更好的复杂性边界,具有最佳固定概率分布,称为重要性抽样。然而,这是一个理论性的特点,因为它是昂贵的实施。我们还提出了AdaSDCA+:一个实用的变体,在我们的实验中优于现有的非自适应方法。
2015-02-27 cs.LG math.OC stat.ML
Rare event estimation using stochastic spectral embedding
ETH Zurich(苏黎世联邦理工学院);Technical University Munich(慕尼黑工业大学)
罕见失效事件的概率估计是工程系统可靠性评估中的一个重要步骤。计算这种复杂的非线性系统的故障概率是具有挑战性的,最近刺激了主动学习可靠性方法的发展。这些方法近似的极限状态函数(LSF)使用代理模型训练的模型评估的顺序丰富的集合。最近提出的方法称为随机谱嵌入(SSE)的目的是提高局部逼近精度的全球,光谱替代建模技术,依次嵌入局部残差扩展的输入空间的子域。在这项工作中,我们应用SSE的LSF,从而产生一个随机谱嵌入为基础的可靠性(SSER)方法。由此产生的输入空间的分区分解成一组易于计算的\rev{conditional}故障概率的故障概率。我们提出了一组修改,定制的算法,以有效地解决罕见事件估计问题。这些修改包括专门的细化域选择,分区和富集策略。我们展示了算法的性能在四个基准问题的各种维度和复杂性的LSF。
2022-02-09 cs.LG stat.CO stat.ME
Stochastic Primal-Dual Algorithms with Faster Convergence than $O(1/\sqrt{T})$ for Problems without Bilinear Structure
The University of Iowa(爱荷华大学);Nanjing University(南京大学)
以往的研究随机原始对偶算法求解极小极大问题的收敛速度更快,严重依赖于双线性结构的问题,这限制了他们的适用范围狭窄的问题。本文的主要贡献是设计和分析新的随机原始对偶算法,使用混合的随机梯度更新和对数数量的确定性的双重更新解决一个家庭的凹凸问题,没有双线性结构假设。在原变量和对偶变量上所涉及的函数满足一定条件的情况下,得到了比随机梯度更新次数为$T$的$O(1/\sqrt{T})$更快的收敛速度.例如,对于一类原变量具有弱强凸性且对偶变量具有强凹函数的问题,算法的收敛速度为$O(1/T)$ .我们还研究了所提出的算法学习鲁棒模型和经验AUC最大化的有效性。
2019-12-18 cs.LG math.OC stat.ML
Stochastic dual averaging methods using variance reduction techniques for regularized empirical risk minimization problems
Tokyo Institute of Technology(东京工业大学);Japan Science and Technology Agency(日本科学技术振兴机构)
我们考虑一个复合凸最小化问题与正则化的经验风险最小化,这经常出现在机器学习。本文提出了两种新的随机梯度法,它们是基于方差缩减的随机对偶平均方法。我们的方法生成一个稀疏的解决方案比现有的方法,因为我们不需要采取的平均历史的解决方案。这在可解释性和概括性方面都是有利的。此外,我们的方法有理论支持的强和非强凸正则化,并实现现有的非加速随机梯度法之间的最佳收敛速度。
2016-03-08 cs.LG math.OC stat.ML
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
Accelerated Proximal Stochastic Dual Coordinate Ascent for Regularized Loss Minimization
The Hebrew University(希伯来大学);Rutgers University(罗格斯大学);Baidu Inc.(百度公司)
本文提出一种正则化损失最小化问题的加速随机对偶坐标上升方法,并通过内-外迭代流程提升其效率,改进了支持向量机、逻辑回归等关键机器学习优化问题的理论结果。
2013-10-08 cs.LG cs.NA math.NA
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