t-distributed Stochastic Neighbor Embedding (t-SNE)

Nhúng láng giềng ngẫu nhiên phân phối t (t-SNE) là một phương pháp thống kê để trực quan hóa dữ liệu nhiều chiều bằng cách gán cho mỗi điểm dữ liệu một vị trí trên bản đồ hai hoặc ba chiều. Kỹ thuật này, một dạng giảm chiều phi tuyến, được sử dụng rộng rãi trong machine learning để khám phá các dataset chứa hàng trăm hoặc hàng nghìn đặc trưng. Không giống các phương pháp tuyến tính tập trung vào việc bảo toàn cấu trúc toàn cục, t-SNE rất hiệu quả trong việc giữ các instance tương tự ở gần nhau, qua đó làm lộ các cluster và manifold cục bộ vốn có thể vẫn bị ẩn. Điều này khiến t-SNE trở thành một công cụ vô cùng giá trị cho mọi lĩnh vực, từ nghiên cứu hệ gene đến việc tìm hiểu logic bên trong của các mạng neural sâu.

Cách t-SNE hoạt động#

Ý tưởng cốt lõi của t-SNE là chuyển đổi độ tương đồng giữa các điểm dữ liệu thành các xác suất kết hợp. Trong không gian nhiều chiều ban đầu, thuật toán đo độ tương đồng giữa các điểm bằng phân phối Gaussian. Nếu hai điểm ở gần nhau, chúng có xác suất cao là "láng giềng" của nhau. Sau đó, thuật toán cố gắng ánh xạ các điểm này vào một không gian có số chiều thấp hơn (thường là 2D hoặc 3D) תוך khi vẫn duy trì các xác suất này.

Để đạt được điều này, thuật toán xác định một phân phối xác suất tương tự trong bản đồ có số chiều thấp hơn bằng phân phối t của Student. Phân phối cụ thể này có phần đuôi nặng hơn phân phối Gaussian chuẩn, giúp giải quyết "bài toán dồn đống"—một hiện tượng trong đó các điểm trong không gian nhiều chiều có xu hướng chồng lên nhau khi được chiếu xuống. Bằng cách đẩy các điểm không tương tự ra xa hơn trong phần trực quan hóa, t-SNE tạo ra các cluster riêng biệt, dễ đọc, làm lộ cấu trúc bên dưới của dữ liệu huấn luyện. Thuật toán thực sự học cách tạo ra biểu diễn bản đồ tốt nhất thông qua học không giám sát bằng cách giảm thiểu độ phân kỳ giữa các phân phối xác suất nhiều chiều và ít chiều.

Các Ứng dụng Thực tế trong AI#

t-SNE là một công cụ tiêu chuẩn cho phân tích dữ liệu khám phá (EDA) và chẩn đoán model. Công cụ này cho phép các kỹ sư "nhìn thấy" những gì model đang học.

• Xác minh đặc trưng thị giác máy tính: Trong các quy trình phát hiện đối tượng sử dụng các model như YOLO26, các developer thường cần kiểm tra xem mạng có thể phân biệt giữa các class có hình ảnh tương tự hay không. Bằng cách trích xuất các feature map từ các layer cuối của mạng và chiếu chúng bằng t-SNE, các kỹ sư có thể trực quan hóa xem hình ảnh của "mèo" có tạo thành cluster riêng với "chó" hay không. Nếu các cluster bị trộn lẫn, điều đó cho thấy khả năng trích xuất đặc trưng của model cần được cải thiện.
• Xử lý ngôn ngữ tự nhiên (NLP): t-SNE được sử dụng rộng rãi để trực quan hóa các embedding từ. Khi các vector từ nhiều chiều (thường trên 300 chiều) được chiếu vào 2D, các từ có ý nghĩa ngữ nghĩa tương tự sẽ tự nhiên tập hợp lại với nhau. Chẳng hạn, một biểu đồ t-SNE có thể hiển thị một cluster chứa "vua", "nữ hoàng", "hoàng tử" và "quốc vương", cho thấy model Xử lý ngôn ngữ tự nhiên (NLP) nắm bắt được khái niệm hoàng gia.
• Genomics và tin sinh học: Các nhà nghiên cứu sử dụng t-SNE để trực quan hóa dữ liệu giải trình tự RNA đơn bào. Bằng cách giảm hàng nghìn giá trị biểu hiện gene thành một biểu đồ 2D, các nhà khoa học có thể xác định các loại tế bào riêng biệt và truy vết quỹ đạo phát triển, hỗ trợ phát hiện những hiểu biết sinh học mới và các marker bệnh.

So sánh với PCA#

Điều quan trọng là phải phân biệt t-SNE với Phân tích thành phần chính (PCA), một kỹ thuật giảm chiều phổ biến khác.

• PCA là một kỹ thuật tuyến tính tập trung vào việc bảo toàn phương sai toàn cục của dữ liệu. Kỹ thuật này có tính tất định và hiệu quả về mặt tính toán, rất phù hợp cho việc nén dữ liệu ban đầu hoặc giảm nhiễu.
• t-SNE là một kỹ thuật phi tuyến tập trung vào việc bảo toàn các lân cận cục bộ. Kỹ thuật này mang tính xác suất (ngẫu nhiên) và đòi hỏi nhiều tài nguyên tính toán hơn, nhưng tạo ra các phần trực quan hóa tốt hơn đáng kể cho những manifold phức tạp, phi tuyến.

Một best practice phổ biến trong tiền xử lý dữ liệu là sử dụng PCA trước để giảm dữ liệu xuống kích thước dễ xử lý (ví dụ: 50 chiều), sau đó áp dụng t-SNE cho phần trực quan hóa cuối cùng. Phương pháp kết hợp này giúp giảm tải tính toán và lọc nhiễu có thể làm giảm chất lượng kết quả t-SNE.

Ví dụ Python: Trực quan hóa đặc trưng#

Ví dụ sau đây minh họa cách sử dụng scikit-learn để áp dụng t-SNE cho một dataset tổng hợp. Quy trình này phản ánh cách người dùng có thể trực quan hóa các đặc trưng được trích xuất từ một model deep learning.

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()

Các yếu tố cần cân nhắc#

Mặc dù mạnh mẽ, t-SNE yêu cầu tinh chỉnh hyperparameter cẩn thận. Tham số "perplexity" rất quan trọng; về cơ bản, tham số này ước đoán mỗi điểm có bao nhiêu láng giềng gần. Việc đặt giá trị quá thấp hoặc quá cao có thể dẫn đến các phần trực quan hóa gây hiểu lầm. Ngoài ra, t-SNE không bảo toàn tốt khoảng cách toàn cục—nghĩa là khoảng cách giữa hai cluster riêng biệt trên biểu đồ không nhất thiết phản ánh khoảng cách vật lý của chúng trong không gian ban đầu. Bất chấp những điểm tinh tế này, t-SNE vẫn là một kỹ thuật nền tảng để xác thực các kiến trúc thị giác máy tính (CV) và tìm hiểu các dataset phức tạp. Người dùng quản lý các dataset quy mô lớn thường tận dụng Ultralytics Platform để sắp xếp dữ liệu trước khi thực hiện những phân tích chuyên sâu như vậy.