Veri akışı ile uğraşırken, tarihin tüm noktalarını tek bir t-SNE haritasına yerleştirmek istemeyebilirsiniz / ihtiyacınız olmayabilir. Alternatif olarak, aşağıdaki basit adımları izleyerek çevrimiçi bir yerleştirme gerçekleştirebilirsiniz :
İlgilenilen her bir modelin pencere süresinde en az birkaç kez görünmesini sağlayacak kadar uzun bir T zaman aralığı seçin.
veri akışı sırasında T'den çok daha küçük bir zaman adımı dt ile pencereyi kaydırın. Pencerenin her konumu için, veri penceresinin zaman penceresindeki t-SNE katışmasını hesaplayın.
her biri bir öncekinin sonucu ile gömme tohum. T-SNE'de, düşük boyutlu uzayda veri noktalarının başlangıç koordinatlarını seçmek gerekir. Bizim durumumuzda, d'den T'den çok daha küçük seçtiğimiz için, birbirini takip eden iki düğün veri noktalarının çoğunu paylaşır. Paylaşılan tüm veri noktaları için, mevcut katıştırmadaki ilk koordinatlarını önceki katıştırmadaki son koordinatlarıyla eşleştirin . Bu adım, benzer desenlerin birbirini takip eden düğünler arasında tutarlı bir temsile sahip olmasını sağlayacaktır. ( python'daki sklearn uygulamasında seed parametresi "init" dir. Varsayılan olarak sklearn uygulaması noktaların başlangıç konumunu rastgele ayarlar)
Not 1: İlgilenilen desenlerin herhangi bir zaman penceresinde en az bir kez görünmesi önemlidir, böylece pencere veri kümesinden geçerken gösterimin belleği kaybolmaz. Gerçekten de, t-SNE tipik olarak benzersiz bir çözüme değil, sadece yerel bir minimuma yakınsar, bu nedenle bellek kaybedilirse, benzer bir örüntü, gömme işleminin iki örneğinde çok farklı şekillerde temsil edilebilir.
Not 2: Bu yöntem, zaman içinde yavaş yavaş gelişen paternleri izlemek isteyen durağan olmayan zaman serileri ile uğraşırken özellikle önemlidir. Gerçekten de, her gömme burada özellikle hesaplandığı küçük zaman penceresine taşınır ve geçici olarak yerel yapıyı en iyi şekilde yakalamasını sağlar (aksine sabit olmayan tüm veri kümesinin tamamen gömülmesi için).
Not 3: Bu yöntemde birbirini izleyen düğünler paralel hale getirilemez, çünkü biri diğerini tohumlamak için önceki yerleştirmenin sonucuna ihtiyaç duyar. Bununla birlikte, tohum (yani noktaların başlangıç koordinatları) çoğu nokta için (başarılı düğünler arasındaki tüm paylaşılan noktalar) iyi seçildiğinden, gömme tipik olarak çok hızlı bir şekilde, sadece birkaç tekrarlamada birleşir.
Bu yöntemin sabit olmayan zaman serilerine uygulanmasına ilişkin bir örnek için, başarılı bir şekilde uygulandığı bu makaleye ( ICLR 2016, Çevrimiçi t-SNE ile değişen bir dünyada istikrarlı temsillerin öğrenilmesi: şarkı kuşundaki kavramın kanıtı ) bakın. şarkı kuşunun gelişiminde hecelerin ortaya çıkışını izlemek için.