যতদূর আমি জানি, অটোইনকোডার এবং টি-এসএনই উভয়ই অরৈখিক মাত্রিকতা হ্রাস করার জন্য ব্যবহৃত হয়। তাদের মধ্যে পার্থক্যগুলি কী এবং কেন আমি অন্যকে বনাম ব্যবহার করব?
যতদূর আমি জানি, অটোইনকোডার এবং টি-এসএনই উভয়ই অরৈখিক মাত্রিকতা হ্রাস করার জন্য ব্যবহৃত হয়। তাদের মধ্যে পার্থক্যগুলি কী এবং কেন আমি অন্যকে বনাম ব্যবহার করব?
উত্তর:
তারা উভয়ই আপনার ডেটা এম্বেডিং একটি নিম্ন মাত্রিকতা খুঁজে পেতে চেষ্টা করুন। তবে ন্যূনতমকরণের বিভিন্ন সমস্যা রয়েছে। আরও সুনির্দিষ্টভাবে, একটি অটোরকোডার পুনর্গঠন ত্রুটি হ্রাস করার চেষ্টা করে, যখন টি-এসএনই একটি নিম্ন মাত্রিক স্থান আবিষ্কার করার চেষ্টা করে এবং একই সাথে এটি আশেপাশের দূরত্বগুলি সংরক্ষণ করার চেষ্টা করে। এই বৈশিষ্ট্যের ফলস্বরূপ, টি-এসএনই সাধারণত প্লট এবং ভিজ্যুয়ালাইজেশনের জন্য পছন্দ করা হয়।
[অটোরকোডারস] প্রাথমিকভাবে সুপ্ত স্থানের উপাত্তগুলির বৈচিত্র্য সর্বাধিককরণের দিকে মনোনিবেশ করে যার ফলস্বরূপ স্বয়ংক্রিয়কোডারগুলি বহুগুণ শিখার চেয়ে সুপ্ত স্পেসে ডেটার স্থানীয় কাঠামো ধরে রাখতে কম সফল ...
"স্থানীয় কাঠামো সংরক্ষণ করে একটি প্যারাম্যাট্রিক এম্বেডিং শেখা" থেকে, লরেন্স ভ্যান ডার ম্যাটেন ( https://lvdmaate.github.io/publications/papers/AISTATS_2009.pdf )
অটেনকোডার এবং টি-এসএনই একত্রে হাই ডাইমেনশনাল ডেটাতে আরও ভাল ভিজ্যুয়ালাইজের জন্য ব্যবহার করা যেতে পারে, [1] এ বর্ণিত হিসাবে:
বিশেষত 2 ডি ভিজুয়ালাইজেশনের জন্য, টি-এসএনই সম্ভবত চারপাশের সেরা অ্যালগরিদম তবে এটি সাধারণত অপেক্ষাকৃত কম-মাত্রিক ডেটা প্রয়োজন। সুতরাং উচ্চ মাত্রিক ডেটাতে সাদৃশ্য সম্পর্কের দৃশ্যধারণের জন্য একটি ভাল কৌশলটি হ'ল একটি অটোরকোডার ব্যবহার করে আপনার ডেটাটিকে একটি নিম্ন-মাত্রিক স্থানে সংকুচিত করতে (উদাহরণস্বরূপ 32 ডাইমেনশনাল), তারপরে 2 ডি প্লেনে সংক্ষেপিত ডেটা ম্যাপিংয়ের জন্য টি-এসএনই ব্যবহার করুন to ।
[1] https://blog.keras.io/building-autoencoders-in-keras.html
অটেনকোডারটি পূর্ববর্তী উপাত্তগুলিকে 2-আদর্শ অর্থে সংরক্ষণের জন্য ডিজাইন করা হয়েছে, যা ডেটার গতিবেগ থাকলে ডেটার গতিবেগ শক্তি সংরক্ষণ হিসাবে বিবেচনা করা যেতে পারে।
টি-এসএনই করার সময়, কেএল ডাইভারজেন্সটি ব্যবহার করুন যা প্রতিসম নয়, এটি স্থানীয় কাঠামোর দিকে টি-এসএনই বেশি মনোযোগ দেবে, অন্যদিকে অটোয়েনকোডার সামগ্রিক এল 2 ত্রুটি ছোট রাখার ঝোঁক রাখে, যা বিশ্বব্যাপী।