G-NeuroDAVIS：基于广义嵌入的高维数据可视化与生成模型研究

本文推荐一种新型前馈神经网络模型G-NeuroDAVIS，该模型通过广义嵌入（generalized embedding）实现高维数据可视化，并具备生成高质量样本的能力。研究对比了VAE（变分自编码器）、DCGAN（深度卷积生成对抗网络）和DDPM（去噪扩散概率模型）等主流方法，证实其在嵌入质量、插值平滑性和条件生成任务中的优越性，为生物医学图像分析等领域提供了新工具。

　　

Highlight

本研究开发了名为G-NeuroDAVIS的前馈神经网络模型，它不仅能通过广义嵌入实现高维数据可视化，还能生成逼真的高维样本。该模型在监督和非监督场景下均可训练，其潜在空间插值实验显示图像能沿不同路径平滑过渡，表明数据结构完整性得到保持。

Results

在MNIST和FMNIST数据集上的实验表明，G-NeuroDAVIS在嵌入质量和分类任务上显著优于VAE（变分自编码器）。与DCGAN（深度卷积生成对抗网络）、DDPM（去噪扩散概率模型）和AE（自编码器）引导的RealNVP（实值非体积保持流）相比，其生成样本的多样性和真实性均有提升，改进精度（improved precision）和召回率（improved recall）指标验证了这一点。

Discussion and Conclusion

G-NeuroDAVIS通过广义嵌入成功提取高维数据特征，其潜在表示既能生成多样化样本，又能保持数据结构。该模型在计算复杂度分析中展现出与现有方法相当的训练效率和内存占用，为需要高质量生成和表示学习的应用（如医学图像分析）提供了新解决方案。

Authors’ contributions statement

方法论框架设计、数据整理分析、代码实现及初稿撰写由CM完成；RKD负责全文审阅修改及总体指导。

Code availability

完整代码见：https://github.com/shallowlearner93/G-NeuroDAVIS

CRediT authorship contribution statement

Chayan Maitra：原创撰写、方法论设计、形式化分析；Rajat K. De：审阅编辑、研究指导。

Declaration of competing interest

作者声明无利益冲突。