Hierarchisches stochastisches Nachbar-Einbetten

Zusammenfassung In den letzten Jahren wurden Techniken zur Dimensionsreduktion entwickelt, die weithin für die Hypothesengenerierung in der explorativen Datenanalyse verwendet werden. Diese Techniken stehen jedoch vor der Herausforderung, den Kompromiss zwischen Rechenzeit und der Qualität der bereitgestellten Dimensionsreduktion zu überwinden. In dieser Arbeit gehen wir auf diese Einschränkung ein, indem wir Hierarchical Stochastic Neighbor Embedding (Hierarchical‐SNE) einführen. Durch die Verwendung einer hierarchischen Darstellung der Daten integrieren wir das wohlbekannte Mantra „Überblick zuerst, Details auf Anfrage“ in die nichtlineare Dimensionsreduktion. Zunächst zeigt die Analyse ein Einbetten, das nur die dominierenden Strukturen in den Daten offenbart (Überblick). Dann kann der Benutzer, indem er Strukturen auswählt, die im Überblick sichtbar sind, die Daten filtern und in die Hierarchie vertiefen. Während der Benutzer in die Hierarchie hinabsteigt, führen detaillierte Visualisierungen der hochdimensionalen Strukturen zu neuen Erkenntnissen. In diesem Papier erklären wir, wie Hierarchical‐SNE für die Analyse großer Datensätze skaliert. Darüber hinaus zeigen wir sein Anwendungspotenzial in der Visualisierung von Deep-Learning-Architekturen und der Analyse hyperspektraler Bilder.