请推荐除t-SNE以外的非确定性降维（Non Deterministic Dimensionality Reduction）算法

好问题！如果你在找 t-SNE 之外的非确定性降维算法，这里有几个实用的选项，附上它们的核心特点和适用场景：

• UMAP（Uniform Manifold Approximation and Projection）：虽然有人会纠结它算不算严格的非确定性，但默认设置下（比如低维嵌入的随机初始化、随机邻居采样）每次运行结果都会略有不同。它比 t-SNE 快得多，更擅长保留数据的全局结构（能看到 t-SNE 可能压缩掉的大簇），小数据集和超大规模数据集都能hold住。从单细胞RNA测序可视化到图像特征降维，它现在都挺受欢迎的。

• 原始SNE（Stochastic Neighbor Embedding）：这是 t-SNE 的“前辈”算法，本身就是非确定性的——它用概率分布建模高维到低维的映射，优化过程自带随机性。它在保留局部邻域结构上表现出色，但不像 t-SNE 那样解决了“拥挤问题”，可能会出现簇重叠的情况。如果你最关心局部数据关系，且不介意大数据集上的性能稍慢，它依然值得一试。

• LargeVis：专门为百万级样本的大规模数据设计的非确定性算法，用随机梯度下降优化嵌入。它平衡了局部结构保留和部分全局上下文，处理大数据的速度比 t-SNE 快很多。如果你在处理海量图像数据集或大规模文本嵌入，这个选项很合适。

• 参数化t-SNE（Parametric t-SNE）：经典 t-SNE 的变体，用神经网络学习高维到低维的映射关系。由于网络权重是随机初始化的，每次运行结果会有差异，但它最大的优势是训练完成后可以为未见过的新数据生成嵌入——这是传统 t-SNE 做不到的。如果你需要降维模型具备泛化到新数据的能力，选它准没错。

• 扩散映射（Diffusion Maps）：它的基础是拉普拉斯特征映射，但如果使用随机采样或近似计算（比如核矩阵的近似），就会带有非确定性。它基于扩散过程捕捉数据的几何结构，适合具有流形结构的数据，比如生物信息学中的样本数据。

内容的提问来源于stack exchange，提问作者user8523104