.png){kind=icon}
返回
Class Angular Distortion Index for Dimensionality Reduction
.png){kind=icon}
OA
AI
DOI：10.1111/cgf.70465.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
降维（DR）技术通常根据其是否保留数据中的全局、高层次结构或局部、邻域结构来表征。这种区分在可视化中很重要：全局方法可能模糊簇，而局部方法可能过度强调簇。然而，即使簇在投影中看似清晰，它们在投影中的相对排列可能是任意的或具有误导性，这在t-SNE和UMAP等技术中是常见问题。现有的簇质量指标要么仅测量簇的可分离性，要么假设原始空间中的簇是球形或类球形的。我们引入了类角失真指数（CADI），这是一种利用点三元组内部角度来确定投影中簇组织忠实度的指标。我们在真实和合成数据上展示了现有簇指标失效的案例，但CADI提供了可解释的结果。由于它依赖于角度计算，CADI也是可微分的，从而支持优化。我们通过一种基于CADI的降维技术展示了这一点。
Keyword:
CCS Concepts
• Computing methodologies → Dimensionality reduction
Clustering
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
2.9
论文数:
562
被引数:
1.1W
机构
引用论文
分享收藏
分享收藏Accuracy, robustness and scalability of dimensionality reduction methods for single-cell RNA-seq analysis.png)
GENOME BIOLOGYOAAI
GENOME BIOLOGYIF9.4
OAAI分享收藏Dimensionality reduction by UMAP reinforces sample heterogeneity analysis in bulk transcriptomic dataCELL REPORTSOAAI
CELL REPORTSIF6.9
OAAI分享收藏分享收藏
查看更多内容