t-分布型確率的近傍埋め込み（t-SNE）

t分布確率的近傍埋め込み（t-SNE）は、各データポイントに2次元または3次元の地図上の位置を与えることで高次元データを可視化する統計的手法である。 この手法は非線形次元削減の一種であり、数百から数千の特徴量を含むデータセットを探索するために機械学習で広く用いられている。全体構造の保存に重点を置く線形手法とは異なり、t-SNEは類似した事例を互いに近接させることに優れており、そうでなければ隠れたままになる可能性のある局所的なクラスターや多様体を明らかにする。この特性により、ゲノム研究から深層ニューラルネットワークの内部論理の理解に至るまで、あらゆる分野において貴重なツールとなっている。

t-SNEの仕組み

t-SNEの核心的な考え方は、データ点間の類似性を共同確率に変換することにある。元の多次元空間では、アルゴリズムはガウス分布を用いて点間の類似性を測定する。 2つの点が近接している場合、それらが「近傍」である確率は高くなります。アルゴリズムはその後、 これらの確率関係を維持したまま、これらの点を低次元空間（通常は2次元または3次元）へ写像しようと試みます。

これを実現するため、t-分布を用いて低次元マップ上で類似の確率分布を定義する。この特定の分布は正規ガウス分布よりも重い尾を持ち、「クラウディング問題」——高次元空間の点が低次元へ投影される際に互いに重なり合う現象——の解決に寄与する。 可視化において類似度の低い点をより遠くに押し出すことで、t-SNEは明確で判読可能なクラスターを生成し、 訓練データの潜在構造を明らかにする。このアルゴリズムは、 高次元と低次元の確率分布間のダイバージェンスを最小化することで、 教師なし学習を通じて最適なマップ表現を効果的に学習する。

AIの実世界での応用

t-SNEは探索的データ分析（EDA）およびモデル診断のための標準的な手法である。これによりエンジニアはモデルが学習している内容を「視覚的に把握」できる。

• コンピュータビジョン機能の検証： YOLO26などのモデルを用いた物体検出ワークフローにおいて、開発者はネットワークが視覚的に類似したクラスを区別できるかどうかを確認する必要が生じることが多い。ネットワークの最終層から特徴マップを抽出し、t-SNEで投影することで、エンジニアは「猫」の画像が「犬」の画像とは別々にクラスタリングされるかどうかを可視化できる。 クラスターが混在している場合、モデルの特徴抽出能力の向上が必要であることを示唆している。
• 自然言語処理（NLP）：t-SNEは単語埋め込みの可視化に多用される。高次元単語ベクトル（多くの場合300次元以上）を2次元へ投影すると、意味的に類似した単語が自然にグループ化される。 例えば、 t-SNEプロットでは「king」「queen」「prince」「monarch」を含むクラスターが示され、 自然言語処理（NLP）モデルが 王族という概念を把握していることが実証される。
• ゲノミクスとバイオインフォマティクス：研究者はt-SNEを用いて単一細胞RNAシーケンシングデータを可視化する。 数千の遺伝子発現値を2次元プロットに還元することで、科学者は異なる細胞タイプを識別し、 発生の軌跡を追跡できる。これにより新たな生物学的知見や疾患マーカーの発見が促進される。

主成分分析（PCA）との比較

t-SNEと主成分分析（PCA）という別の一般的な次元削減手法とを区別することが重要です。

• 主成分分析（PCA）は、データの全体的な分散を保持することに焦点を当てた線形手法である。 決定論的かつ計算効率に優れるため、初期のデータ圧縮やノイズ低減に極めて適している。
• t-SNEは局所近傍を保存することに重点を置いた非線形手法である。確率的（確率論的）であり計算負荷は高いが、複雑な非線形多様体においてはるかに優れた可視化を生成する。

データ前処理における一般的なベストプラクティスは、まず主成分分析（PCA）を用いてデータを扱いやすいサイズ（例：50次元）に削減し、その後最終的な可視化のためにt-SNEを適用することである。このハイブリッド手法は計算負荷を軽減し、t-SNEの結果を劣化させる可能性のあるノイズを除去する。

Python ：特徴量の可視化

次の例は scikit-learn 合成データセットにt-SNEを適用する。このワークフローは、深層学習モデルから抽出された特徴量を可視化する方法を模倣している。

import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs
from sklearn.manifold import TSNE

# Generate synthetic high-dimensional data (100 samples, 50 features, 3 centers)
X, y = make_blobs(n_samples=100, n_features=50, centers=3, random_state=42)

# Apply t-SNE to reduce dimensions from 50 to 2
# 'perplexity' balances local vs global aspects of the data
tsne = TSNE(n_components=2, perplexity=30, random_state=42)
X_embedded = tsne.fit_transform(X)

# Plot the result to visualize the 3 distinct clusters
plt.scatter(X_embedded[:, 0], X_embedded[:, 1], c=y)
plt.title("t-SNE Projection of High-Dimensional Data")
plt.show()

主な考慮事項

t-SNEは強力ではあるが、慎重なハイパーパラメータ調整を必要とする。「パープレクシティ」パラメータが極めて重要であり、これは各点が持つ近傍の数を推測するものである。設定値が低すぎたり高すぎたりすると、誤解を招く可視化結果となる可能性がある。 さらに、t-SNEはグローバルな距離を十分に保持しない。つまりプロット上の異なるクラスター間の距離が、元の空間における物理的な距離を必ずしも反映しないことを意味する。こうした微妙な点はあるものの、コンピュータビジョン（CV）アーキテクチャの検証や複雑なデータセットの理解において、依然として基盤技術として位置づけられている。大規模データセットを扱うユーザーは、こうした詳細な分析を行う前に、Ultralytics を活用してデータを整理することが多い。