SR-tSNE：显式保持邻居排序的流形学习方法

SR-tSNE 在 t-SNE 中加入可微排序项以保持邻居顺序。

资讯摘要

论文指出 t-SNE、UMAP 等流形学习方法只保留局部邻域，却不保留邻域内邻居的排序，可能影响依赖顺序的下游任务。作者提出 Smooth Rank t-SNE（SR-tSNE），在标准 t-SNE 损失中加入可微排序项，并用 sigmoid 排序近似实现高效训练；同时提出 Ordinal DLP（O-DLP）指标，仅在邻居以原始排名返回时计分。作者报告在八个基准上优于 12 个基线，排序项单独使 O-DLP 提升 5% 至 28%。

要点速读

1. 论文提出 SR-tSNE，在 t-SNE 损失中加入可微排序项，用 sigmoid 排序近似强制真实高维邻居排在无关点之前并保持原顺序。
2. 提出 O-DLP 指标，扩展 DLP，仅当邻居以原始排名返回时才计入。
3. 作者报告在图像、文本、语音、遥感、单细胞等八个基准上，SR-tSNE 在排序保持和邻域重叠上优于 12 个基线；消融显示排序项单独使 O-DLP 提升 5% 至 28%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。