t-SNE-CUDAで大規模データの超速次元圧縮&可視化 - Qiita
概要 以前t-SNEの説明記事を書きましたが，t-SNE-CUDAなるパッケージが出ていました． 名前の通りt-SNEをCUDAで高速化するものですが，HPML2018(High Performance Machine Learning 2018 Workshop)で発表されました． 論文 スライド 単にGPU実装がんばりました，だけではなくアルゴリズム上の工夫もしていて， SGDの更新式を物理の知見を用いてAttractive ForcesとRepulsive Forcesの項に分けた上で， 以下の各ステップの計算をCUDAで高速化しているようです． $P_{ij}$の計算 $P_{ij}$と$Q_{ij}$の積 Attractive forcesの計算 Repulsive forcesにおけるBarnes-Hut treeの構築 Replusive forcesのtree走査 低次元空
t-SNEによるイケてる次元圧縮&可視化 - Qiita
こんにちは，クラスタリング&可視化おじさんです． 本記事は「機械学習と数学」Advent Calendar14日目です． (ちなみにAdvent Calendar初投稿です．よろしくお願いします) はじめに データ分析とか機械学習やられてる方は高次元データの次元削減と可視化よくやりますよね． この分野の代表選手といえばPCA(主成分分析)とかMDS(多次元尺度構成法)ですが， これらの線形変換系手法には以下の問題があります． 高次元空間上で非線形構造を持っているデータに対しては適切な低次元表現が得られない 「類似するものを近くに配置する」ことよりも「類似しないものを遠くに配置する」ことを優先するようアルゴリズムが働く 1.に関して，よく例に出されるのがSwiss roll dataset(下図)のようなヤツですね． PCAはデータが多次元正規分布に従うことを仮定しているので， その仮定から
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
