不同GNN模型嵌入的t-SNE可视化对比：合并还是分别拟合？

两种方式的实际区别 #

• 分开拟合t-SNE：
  每组嵌入各自降维，只能看到单组内部的聚类情况，但没法直接对比两组在同一个空间里的分布关系。比如你能看到模型A的嵌入聚成了几类，模型B的也聚成了几类，但不知道这两类的聚类有没有重叠、模型之间的嵌入区分度到底咋样。这种方式只适合单独看每组自身的结构，不适合跨模型对比。

• 一起拟合t-SNE：
  把两组嵌入合并成一个数据集，统一降维到低维空间。这样整个空间的基准是一致的，你能直接通过颜色区分两组，直观看到它们的分布是否重叠、聚类有没有差异——比如模型A的嵌入是不是整体和模型B的分开，或者某些样本的嵌入在两个模型里位置相近。这才是跨模型嵌入对比的首选方式。

几点要注意的细节 #

• 如果两组嵌入的数值尺度差得比较大，先分别做归一化（比如标准化成均值0、方差1）再合并，不然尺度大的那组会主导降维结果，影响对比的准确性。
• 画图的时候一定要用不同颜色标记两组嵌入，不然根本分不出谁是谁。

总结 #

要是你的核心目的是对比两个GNN嵌入的分布差异、区分度，直接选一起做t-SNE；如果只是想单独看每组自身的聚类效果，再考虑分开做。

内容的提问来源于stack exchange，提问作者Darkmoon Chief