Les techniques de réduction de dimensionnalité sont fondamentales pour analyser et
visualiser des données de grande dimension. Avec des méthodes établies comme t-SNE et PCA
présenter un compromis entre pouvoir de représentation et interprétabilité.
Cet article présente une nouvelle approche qui comble cette lacune en combinant les
interprétabilité des méthodes linéaires avec l'expressivité du non-linéaire
transformations. L'algorithme proposé construit une cartographie non linéaire entre
espaces de grande et de basse dimensions grâce à une combinaison d'espaces linéaires
transformations, chacun pondéré par des fonctions gaussiennes. Cette architecture permet
transformations non linéaires complexes tout en préservant l'interprétabilité
avantages des méthodes linéaires, car chaque transformation peut être analysée
indépendamment. Le modèle résultant offre à la fois une dimensionnalité puissante
réduction et aperçu transparent de l’espace transformé. Techniques pour
l'interprétation des transformations apprises est présentée, y compris les méthodes pour
identifier les dimensions supprimées et la manière dont l'espace est agrandi et contracté.
Ces outils permettent aux praticiens de comprendre comment l'algorithme préserve et
modifie les relations géométriques lors de la réduction de dimensionnalité. Pour assurer la
utilité pratique de cet algorithme, la création de logiciels conviviaux
les paquets sont mis en valeur, faciliter son adoption dans le monde universitaire et
industrie.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: