免责声明：我是机器学习初学者。

我正在将高维数据（文本作为 tdidf 向量）可视化到 2D 空间中。我的目标是标记/修改这些数据点并在修改和更新二维图后重新计算它们的位置。逻辑已经有效，但每次迭代可视化都与前一个非常不同，即使 1 个数据点中的 28.000 个特征中只有 1 个发生了变化。

关于该项目的一些细节：

• ~1000 个文本文档/数据点
• 每个约 28.000 个 tfidf 矢量特征
• 由于其交互性，必须非常快速地计算（假设 < 3s）

这里有2张图片来说明问题：

第 1 步：

第 2 步：

我尝试了几种降维算法，包括 MDS、PCA、tsne、UMAP、LSI 和 Autoencoder。我使用 UMAP 获得了关于计算时间和视觉表示的最佳结果，所以我大部分时间都坚持使用它。

浏览一些研究论文，我发现这篇论文有类似的问题（高维度的小变化导致 2D 的大变化）： https : //ieeexplore.ieee.org/document/7539329 总之，他们使用 t-sne 来初始化每个迭代步骤与第一步的结果。

第一：我将如何在实际代码中实现这一点？这和tsne有关random_state吗？

第二：是否可以将该策略应用于其他算法，如 UMAP？tsne 需要更长的时间，并且不适合交互式用例。

还是有一些我没有想到的更好的解决方案来解决这个问题？