-
题名基于变分自编码器的流形学习降维方法
- 1
-
-
作者
冯琳琳
王长鹏
吴田军
张讲社
-
机构
长安大学理学院
西安交通大学数学与统计学院
-
出处
《计算机辅助设计与图形学学报》
北大核心
2025年第3期439-445,共7页
-
基金
国家自然科学基金(12001057).
-
文摘
针对科学数据集的规模和复杂性的迅速增长,现有的降维方法存在“拥挤问题”以及不能嵌入新样本的问题,提出了一种变分自编码器均匀流形近似与投影的数据降维方法.首先,为减小高维数据之间的耦合性,利用变分自编码器将数据压缩为潜在变量;然后,运用均匀流形近似与投影进一步将潜在变量降维,使低维嵌入更好地保持原始数据之间的相似性关系;最后,将所提方法用训练集进行拟合,并嵌入一个样本外测试集来评估对新数据的泛化能力.实验结果表明,在MNIST和Fashion-MNIST数据集上,与UMAP,DensMAP,VAE和AE这4个优秀降维方法相比,所提方法的可信度得分分别达到0.9944和0.9939,超越了当前最好方法UMAP 0.0316和0.0141,同时在可视化、Kendall秩相关系数以及分类精度评价指标上也有显著的改进.
-
关键词
变分自编码器
均匀流形近似与投影
非线性降维
流形学习
-
Keywords
variational autoencoder(VAE)
uniform manifold approximation and projection(UMAP)
nonlinear dimensionality reduction
manifold learning
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
