vis相关的论文中一个常用的方法是把data投影到某个可以看到的空间中，也就是所谓的低维度的空间中，三个常用的到的方法就是PCA，tSNE以及UMAP，如果对于这三个方法的原理理解的不是很透彻的话，就很难和做vis的人有一些比较深入的交流。
这个视频讲得非常好
PCA
简单的说，就是给定一个sample 为行，属性为列 抽象出来的矩阵，求解这个矩阵的协方差矩阵，之后再计算这个协方差矩阵的特征值，然后再排序，之后选择两个特征向量的方向，把原始的高位数据投影到这两个方向上，投影之后的值就是这个sample的新的坐标，可视化的时候就看这两个坐标就行。关键的操作就是：切方差计算，特征值计算，投影。
PCA所用到的操作都是线性代数里常用的，理解起来也比较简易，但是问题是最后一步的projection是线性映射，对于非线性的数据比如螺旋状排列的，即使是使用了PCA，区分出来的效果也不是太好，数据还是混成一团。
tSNE
latent space，中文也翻译成隐空间或者潜空间，这个概念感觉翻译的还是很好的。
首先要对流形的概念有一个基本的了解，流形（ manifold）是一种“局部”类似于欧几里得空间（Euclidean space）的拓扑空间。
常见的就是瑞士卷的例子，跨越不同层的两个点实际上可能在二维的尺度上相聚很远，但是在高维的空间上它们距离比较近。
tsne就是在高位空间中找这个低维度的流形，也可能不存在，也可能存在，总之这是一种方法。比如数字3在提取特征之后，映射到一个高维的空间，各种各样的3还是符合某些分布的规律的。tsne的目的就是做这个事情。
比如tsne的结果是一团一团的，那可能找到了这个关键的变量，但是这个变量是什么？还需要我们再去结合着图片的特征去分析，所以tsne得结果具有一定的不可解释性。
特别是对于一个完全未知的数据来说，tsne是一个探索其内在规律的好方法。
k-l散度
UMAP
https://journals.sagepub.com/doi/10.1177/14738716261434908
Kmeans and DBSCAN
降维似乎和聚类总是关联在一起，比如景点的搭配是tsne之后用dbscan看下聚类的情况
