Cosine‑Similarity‑Kernel macht t‑SNE bei Sequenzdaten schneller und genauer

Eine neue Untersuchung zeigt, dass die Wahl des Kernels bei t‑SNE‑Visualisierungen von biologischen Sequenzdaten entscheidend ist. Während der klassische Gaussian‑Kernel häufig verwendet wird, fehlt er an Datenabhängigkeit und verursacht hohe Rechenkosten, besonders bei kategorialen Sequenzen.

Die Autoren haben neun verschiedene Kernel‑Funktionen getestet und dabei drei unterschiedliche Einbettungsmethoden – One‑Hot Encoding, Spike2Vec und Minimizers – eingesetzt. Durch subjektive Visualisierungen und objektive Metriken wie Nachbarschafts‑Erhaltungs‑Scores konnten sie eindeutig feststellen, dass der Cosine‑Similarity‑Kernel die beste Leistung erbringt.

Der Cosine‑Similarity‑Kernel liefert nicht nur eine deutlich schnellere Laufzeit, sondern bewahrt auch die Paarabstände im niedrigen Dimensionsraum besser als Gaussian‑ und Isolation‑Kernel. Diese Vorteile wurden in umfangreichen Klassifikations‑ und Clustering‑Experimenten auf sechs vielfältigen biologischen Datensätzen (Spike7k, Host, ShortRead, Rabies, Genome und Breast Cancer) bestätigt.

Die Ergebnisse unterstreichen, dass die Kernel‑Auswahl nicht nur die Qualität der Visualisierung beeinflusst, sondern auch die Effektivität nachgelagerter Analyseaufgaben. Für Forscher, die t‑SNE in der Sequenzanalyse einsetzen, bietet der Cosine‑Similarity‑Kernel somit einen klaren Mehrwert in Bezug auf Effizienz und Genauigkeit.