Machine learning 如何减少降维后的位置变化？

免责声明：我是机器学习初学者

我正在将高维数据（文本作为tdidf向量）可视化到2D空间。我的目标是标记/修改这些数据点，并在修改和更新2D绘图后重新计算其位置。逻辑已经起作用了，但是每次迭代可视化都与前一次非常不同，尽管在一个数据点中28.000个特征中只有1个发生了变化

有关该项目的一些细节：

• 约1000个文本文档/数据点
• 约28.000 tfidf矢量特征
• 由于其交互性质，必须非常快速地进行计算（比方说<3s）

以下是两张图片来说明问题：

步骤1：

步骤2：

我尝试过几种降维算法，包括MDS、PCA、tsne、UMAP、LSI和Autoencoder。在计算时间和视觉表现方面，我用UMAP获得了最好的结果，所以我在大部分时间里都坚持使用它

略读一些研究论文，我发现这篇论文有一个类似的问题（高维中的小变化导致2D中的大变化）： 总之，他们使用t-sne以第一步的结果初始化每个迭代步骤

第一：我将如何在实际代码中实现这一点？这是否与tsne的随机状态有关

第二：是否有可能将该策略应用于其他算法，如UMAP？tsne需要更长的时间，并且不适合交互式用例

或者，对于这个问题，有没有更好的解决方案