arXiv cs.AI· Henry Han, Luyu Niu, Diane Li, Jiacun Wang·· 1 天前AI 评分27
Smooth Rank t-SNE（SR-tSNE）：显式保持邻居排序的流形学习方法
Differential rank preservation manifold learning
AI 导读
研究者提出 Smooth Rank t-SNE（SR-tSNE），在标准 t-SNE 损失中加入可微排序项，用 sigmoid 排序近似强制高维真实邻居压过无关入侵点并保持原有顺序。
正文 · AI 翻译
摘要：t-SNE 和 UMAP 等流形学习方法能保留局部邻域，但不保留邻域内邻居的排序。两个嵌入可以返回相同的邻居集合，却在哪个点最近上存在分歧。这种顺序的丢失会降低重视嵌入中顺序的下游应用的性能。我们提出 Smooth Rank t-SNE（SR-tSNE），它在标准 t-SNE 损失中加入了一个可微的排序项。为实现高效训练，该项使用 sigmoid 排序近似，显式地强制一个点的真实高维邻居排在无关入侵者之前，并保持其原始顺序。我们还引入了 Ordinal DLP（O-DLP），这是局部性保持度（DLP）指标的扩展，仅当邻居以其原始排名返回时才给予认可。在涵盖图像、文本、语音、遥感和单细胞数据的八个基准上，SR-tSNE 在排序保持和邻域重叠方面优于 12 个基线。消融研究表明，仅我们的排序项就将 O-DLP 提升了 5% 到 28%，这是使用标准成对损失无法实现的增益。这一优势可迁移到下游应用。SR-tSNE 在七个视觉数据集上取得了最佳的标签迁移性能。在六个单细胞数据集的细胞类型发现中，无论聚类分辨率是使用还是不使用细胞类型标签来选择，它都在 18 个数据集-指标组合中的 17 个中排名第一。在日内交易中，SR-tSNE 相比基线实现了更高的收益、更低的风险和更低的换手率。据我们所知，SR-tSNE 是首个具有显式顺序保持的 t-SNE 系列方法。
| 评论： | 67 页，10 幅图，28 张表 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.41107 [cs.AI] |
| （或 arXiv:2610.41107v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41107 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Henry Han [查看电子邮件]
[v1]
2026 年 10 月 30 日星期五 00:56:05 UTC（11,745 KB）
来源：arXiv cs.AI · arxiv.org