PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2505.24311v3stat.ML

일반화된 커널을 사용한 t-분포 확률적 이웃 임베딩(t-SNE)의 평형 분포

Equilibrium Distribution for t-Distributed Stochastic Neighbor Embedding with Generalized Kernels

본 논문은 입력 커널(kernel)과 출력 커널의 특정 클래스를 사용하는 t-분포 확률적 이웃 임베딩(t-SNE)에 대한 대규모 샘플(large-sample) 변분 문제(variational problem)를 연구한다. 입력 분포(law)는 콤팩트 지지집합(compact support)을 가지며, 그 지지집합 위에서 연속인 밀도를 갖는다. 엔트로피 방정식(entropy equation)이 입력 커널의 척도 매개변수(scale parameter)를 결정하며, 우리는 밀도가 양수인 내부점에서 이 매개변수가 존재하고 유일함을 증명한다. 이어서 해(solution)가 존재하고 전체 지지집합에서 균등하게 유계(uniformly bounded)가 되기 위한 충분조건을 제시한다. 이러한 조건들과 출력 커널에 대한 감쇠(decay) 가정 하에서, 이산 최적값(discrete optimal values)은 연속체 최솟값(continuum minimum)으로 수렴한다. 근사 최소화자(approximate minimizers)의 경험적 측도(empirical measure)는 평행이동(translation) 후 조밀(tight)하며, 모든 부분수열 극한(subsequential limit)은 평형 방정식(equilibrium equation)을 만족하는 콤팩트 지지 최소화자(compactly supported minimizer)이다. 허용 가능한 출력 커널에는 가우시안 커널(Gaussian kernel)이 포함되며, 출력 차원이 2일 때는 코시 커널(Cauchy kernel)도 포함된다. 수치 예제(numerical examples)를 통해 서로 다른 커널로 얻은 2차원 표현(representation)들을 비교한다.

arXiv:2509.03373v2cs.LG

군집화 후 임베딩: 시각화를 위한 모듈식 접근법

Cluster and then Embed: A Modular Approach for Visualization

t-SNE와 UMAP 같은 차원 축소 방법은 잠재적인 군집 구조를 가진 데이터를 시각화하는 데 널리 사용된다. 이 방법들은 데이터 포인트를 임베딩하는 동시에 군집화하는 것으로 알려져 있으며, 국소 정보를 잘 보존하면서 군집이 명확하게 분리된 시각화 결과를 생성한다. 그러나 t-SNE와 UMAP은 기저 데이터의 전역적 기하 구조를 왜곡하는 경향도 있다. 우리는 먼저 데이터를 군집화하고, 각 군집을 임베딩한 후, 마지막으로 군집들을 정렬하여 전역 임베딩을 얻는 보다 투명한 모듈식 접근법을 제안한다. 여러 합성 및 실제 데이터셋에서 이 접근법을 시연하고, 기존 방법들과 경쟁력 있는 성능을 보이면서도 훨씬 더 투명함을 보인다.