概念
统一流形逼近和投影降维算法
已跟踪 3 条高相关材料
最近变化
2026-08-28 · 使用Scikit-LLM和Ollama本地模型生成文本嵌入向量
为什么值得关注
UMAP 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
Interpretable Text Classification: Probing Scikit-LLM Embedding Spaces
Machine Learning Mastery · 8.5 分
本文系统讲解如何用Scikit-LLM生成文本嵌入，并结合UMAP和SHAP实现可解释性分析，揭示大模型内部语义结构。
Dimensionality Reduction Meets Network Science: Sensemaking on UMAP’s kNN Graph
Apple Machine Learning Research · 8.5 分
UMAP的kNN图可用于增强数据解释，通过图算法如PageRank和k-core分解提升分析效果，且在MNIST等数据集验证有效。
Clustering Unstructured Text with LLM Embeddings and HDBSCAN
Machine Learning Mastery · 8.5 分
使用LLM嵌入和HDBSCAN聚类非结构化文本，可自动发现隐藏主题。
已收录 3 条与 UMAP 相关的内容，按评分排序。
本文系统讲解如何用Scikit-LLM生成文本嵌入，并结合UMAP和SHAP实现可解释性分析，揭示大模型内部语义结构。
入选理由：使用Scikit-LLM和Ollama本地模型生成文本嵌入向量
UMAP的kNN图可用于增强数据解释，通过图算法如PageRank和k-core分解提升分析效果，且在MNIST等数据集验证有效。
入选理由：PageRank算法可识别UMAP图中的代表性数据点
使用LLM嵌入和HDBSCAN聚类非结构化文本，可自动发现隐藏主题。
入选理由：使用Sentence Transformers生成文本嵌入，可将非结构化文本转化为语义丰富的数学表示。