Making nonlinear manifold learning models interpretable: The manifold grand tour

کاهش حجم لازم برای تولید تجسم داده های با ابعاد بزرگ است. در این چارچوب، یکی از روشهای ساده تر برای تجسم داده های با ابعاد بزرگ بر پایه کاهش پیچیدگی و استفاده از طرح های خطی است، در حالیکه محورهای طرح ریزی در یک توالی تعریف شده ایجاد می کند که گراند تور از داده ها را تولید می کند. ما پیشنهاد می کنیم با استفاده از نقشه های توپوگرافی غیر خطی صاف توزیع داده ها برای هدایت گراند تور، اثربخشی این رویکرد را با اولویت دادن دیدگاه های خطی داده ها که بیشتر سازگار با ساختار داده های جهانی در این نقشه ها است، افزایش دهیم. نتیجه دیگر این رویکرد این است که امکان نمایش مستقیم نقشه توپوگرافی را بر روی فضاهای پیشرفته فراهم کنیم که ساختار را در داده ها تشخیص می دهند. نتایج تجربی در پایگاه داده های استاندارد گزارش شده در این مقاله، با استفاده از نقشه های خودسازمانگر و نقشه برداری توپوگرافی مولد، ارزش عملی روش پیشنهادی را نشان می دهد. نوآوری اصلی پیشنهاد ما، تعریف یک روش سیستماتیک برای هدایت جستجو از دیدگاه های داده در تور بزرگ، انتخاب و اولویت بندی برخی از آنها، بر اساس مدل های چند بعدی غیر خطی است.