降维后如何减少位置变化？

Question

免责声明：我是机器学习的初学者。

我正在努力将高维数据（文本作为tdidf矢量）可视化到2D空间中。我的目标是标记/修改这些数据点，并在修改和更新2D图后重新计算它们的位置。该逻辑已经可以使用，但是即使在1个数据点中的28.000个功能中只有1个发生了变化，每次迭代的可视化也都与上一个有很大不同。

有关该项目的一些详细信息：

• 〜1000个文本文档/数据点
每个
• 〜28.000 tfidf矢量特征
• 由于具有交互性，因此必须非常快速地进行计算（假设<3s）

这里有2张图片来说明问题：

第1步：

第2步：

我尝试了几种降维算法，包括MDS，PCA，tsne，UMAP，LSI和Autoencoder。使用UMAP获得的关于计算时间和视觉表示的最佳结果，因此我在很大程度上坚持了下来。

跳过一些研究论文，我发现这有一个类似的问题（高尺寸的小变化导致2D的大变化）： https://ieeexplore.ieee.org/document/7539329 总而言之，他们使用t-sne来初始化第一步的结果。

首先：我将如何在实际代码中实现这一目标？这与tsne的random_state有关吗？​​

第二：是否可以将该策略应用于UMAP等其他算法？ tsne花费的时间更长，并且根本不适合交互式用例。

还是针对这个问题，我没有想到过更好的解决方案？