ما بینش اولیه ای در مورد داده ها با استفاده از رویکرد جاگذاری مجاور تصادفی توزیع شده t (tSNE) (ماتن و هینتون، 2008) برای کاهش بعدیت و تجسم داده ها به دست آوردیم. این امر اجازه می دهد که داده ها در قالب یک نقشه دوبعدی، تجسم شوند. در این باره، مشخص شد که tSNE بهبود تجسم ها را نسبت به سایر روش ها در مورد نقشه های دوبعدی فراهم می کند (ماتن و هینتون، 2008) و به طور موفقیت آمیزی در قلمروهای مختلف مورد استفاده قرار گرفت (آکسای و همکاران، 2018؛ کیم و چو، 2018). tSNE، یک بسط جاگذاری مجاور تصادفی است (هینتون و رووایس، 2002) که اساساً مسافت های با بعد بالا را بین نقاط داده ها در فضای اقلیدسی برای احتمالات شرطی که نشان دهنده تشابهات هستند، تبدیل می کند. هدف tSNE، یافتن یک نمایندگی داده با بعد پایین است که عدم تطابق را بین احتمالات شرطی نقاط داده ها در فضای با بعد بالا و فضای داده با بعد پایین را به حداقل برساند. tSNE، این را از طریق کمینه کردن یک واگرایی کولبک-لایبلر مجزا بین توزیع احتمال پیوسته در فضای با بعد بالا و فضای با بعد پایین به دست می آورد. تابع هزینه tSNE با استفاده از بهبود فرآیند نزولی گرادیان، بهینه سازی می کند که در آن، پیشرفت در افزودن 12 جریمه اضافی و اصطلاحاً اغراق اولیه تداوم می یابد.
