Answers:
他们俩都试图找到数据的低维嵌入。但是,存在不同的最小化问题。更具体地说,自动编码器试图使重构误差最小化,而t-SNE试图寻找较低的维数空间,与此同时,它试图保持邻域距离。由于此属性,通常将t-SNE用于绘图和可视化。
[自动编码器]主要致力于最大化潜在空间中数据的方差,因此,自动编码器在保留潜在空间中数据的局部结构方面不如流形学习者成功。
摘自Laurens van der Maaten的“通过保留局部结构来学习参数嵌入”(https://lvdmaaten.github.io/publications/papers/AISTATS_2009.pdf)
自动编码器和t-SNE可以一起使用,以更好地显示高维数据,如[1]中所述:
特别是对于2D可视化,t-SNE可能是最好的算法,但是它通常需要相对低维的数据。因此,可视化高维数据中相似关系的一种好策略是开始使用自动编码器将数据压缩到低维空间(例如32维),然后使用t-SNE将压缩后的数据映射到2D平面。
[1] https://blog.keras.io/building-autoencoders-in-keras.html