• Affinity를 수정해 새로운 데이터가 기존 임베딩 데이터 뿐만아니라 새로운 데이터간 관계도 고려하게 하고자 함
• 데이터가 incremental하게 들어와도, 기존 구조를 크게 망가뜨리지 않으면서 새로운 클러스터가 형성되는걸 목표로..
• 단순히 Fit 을 수행하는것보단 빠르지만 Trasnform method 보단 훨씬 느리다. → Transform시 early exaggeration 생략, 적은 Iter 수, 하지만 optimization 필요
• 계산 과정 자체가 Fit과 크게 다르지 않다.
• Transform끼리는 모양을 유지하지만, 처음 Fit과는 비교적 모양이 어그러진다.. 왜지? ⇒ Parameter 수정 필요?

prerequisite :

• Affinity는 N개의 datapoints간 고차원 데이터 관계의 정보를 정방 희소 행렬로저장한다.
• Initialize로 초기화된 2차원 데이터간 관계와 비교하여 optimize

1. Affinity.P는 KNN(가장 가까운 이웃 N개만)간 유클리드거리를 조건부 확률(가우시안)로 변환하여 저장. 나머진 0.
2. 기존 데이터 point가 5개일때, Original Affinity.P는 5*5 정방 희소행렬.
3. 기존 Transform시, 새로들어오는 point가 2개일때, 2*5 행렬을 생성⇒기존 임베딩간 거리만 고려

새로 고안한 내용 :

• 새로 고안한 New_affinity.P는 기존 original_Affinity 55에 2개의 열/행을 더해 77 정방 희소행렬을 생성
• 새로운 데이터가 기존데이터 뿐만 아니라, 새로운 데이터끼리 거리도 고려할 수 있다.
• Original_Affinity.P를 NewAffinity.P에 붙인 이유 ⇒ 새로운 데이터의 유입으로 기존 임베딩이 계산을 새로 할 필요는 없지 않을까 ? : 구현 미비