แผนที่ภูมิประเทศเชิงกำเนิด (Generative Topographic Map : GTM ) เป็น วิธี การเรียนรู้ของเครื่องจักรที่เป็นแบบจำลองเชิงความน่าจะเป็นของแผนที่จัดระเบียบตนเอง (Self-Organizing Map : SOM) มีแนวโน้มที่จะลู่เข้า และไม่จำเป็นต้องใช้พื้นที่ใกล้เคียง ที่แคบลง หรือขนาดขั้นตอนที่ลดลง เป็นแบบจำลองเชิงกำเนิด : ข้อมูลจะเกิดขึ้นโดยการเลือกจุดในพื้นที่มิติที่ต่ำกว่าโดยใช้ความน่าจะเป็นก่อน จากนั้นทำการแมปจุดนั้นไปยังพื้นที่อินพุตที่มีมิติสูงกว่าที่สังเกตได้ (ผ่านฟังก์ชันเรียบ) แล้วจึงเพิ่มสัญญาณรบกวนในพื้นที่นั้น พารามิเตอร์ของการกระจายความน่าจะเป็นในมิติที่ต่ำกว่า แผนที่เรียบ และสัญญาณรบกวนทั้งหมดจะถูกเรียนรู้จากข้อมูลการฝึกอบรมโดยใช้อัลกอริธึมการคาดการณ์และการทำให้สูงสุด (Expectation–Maximization: EM) GTM ถูกนำเสนอครั้งแรกในปี 1996 ในบทความของChristopher Bishop , Markus Svensen และ Christopher KI Williams

แนวทางนี้มีความเกี่ยวข้องอย่างมากกับเครือข่ายความหนาแน่นซึ่งใช้การสุ่มตัวอย่างแบบสำคัญและเพอร์เซปตรอนหลายชั้น เพื่อสร้าง แบบจำลองตัวแปรแฝงที่ไม่เป็นเชิงเส้นใน GTM พื้นที่แฝงคือตารางจุดแบบไม่ต่อเนื่องซึ่งสันนิษฐานว่าถูกฉายภาพแบบไม่เป็นเชิงเส้นไปยังพื้นที่ข้อมูล จากนั้น จึงตั้งสมมติฐานว่ามีสัญญาณ รบกวนแบบเกาส์เซียนในพื้นที่ข้อมูลเพื่อให้แบบจำลองกลายเป็นส่วนผสมของเกาส์เซียน ที่มีข้อจำกัด จากนั้นความน่าจะเป็นของแบบจำลองสามารถเพิ่มขึ้นสูงสุดได้โดยใช้ EM

ในทางทฤษฎีแล้ว สามารถใช้การเปลี่ยนรูปพารามิเตอร์แบบไม่เชิงเส้นใดๆ ก็ได้ โดยสามารถค้นหาพารามิเตอร์ที่เหมาะสมที่สุดได้โดยใช้การลดระดับความชัน เป็นต้น

แนวทางที่แนะนำสำหรับการแมปแบบไม่เชิงเส้นคือการใช้เครือข่ายฟังก์ชันฐานรัศมี (RBF) เพื่อสร้างการแมปแบบไม่เชิงเส้นระหว่างพื้นที่แฝงและพื้นที่ข้อมูล โหนดของเครือข่าย RBF จะก่อตัวเป็นพื้นที่คุณลักษณะและการแมปแบบไม่เชิงเส้นสามารถถือได้ว่าเป็นการแปลงเชิงเส้นของพื้นที่คุณลักษณะนี้ แนวทางนี้มีข้อดีเหนือกว่าแนวทางเครือข่ายความหนาแน่นที่แนะนำไว้คือสามารถปรับให้เหมาะสมที่สุดได้ด้วยวิธีการวิเคราะห์

ในการวิเคราะห์ข้อมูล โมเดล GTM เปรียบเสมือนเวอร์ชันที่ไม่เป็นเชิงเส้นของการวิเคราะห์ส่วนประกอบหลักซึ่งช่วยให้สามารถจำลองข้อมูลที่มีมิติสูงได้โดยมองว่าเป็นผลมาจากสัญญาณรบกวนแบบเกาส์เซียนที่เพิ่มเข้าไปในแหล่งข้อมูลในพื้นที่แฝงที่มีมิติต่ำกว่า ตัวอย่างเช่น เพื่อระบุตำแหน่งของหุ้นในพื้นที่ 2 มิติที่สามารถพล็อตได้ โดยพิจารณาจากรูปร่างของอนุกรมเวลาที่มีมิติสูง แอปพลิเคชันอื่นๆ อาจต้องการแหล่งข้อมูลน้อยกว่าจำนวนจุดข้อมูล เช่น โมเดลแบบผสม

ในการสร้างแบบจำลองการเปลี่ยนรูปเชิงกำเนิด พื้นที่แฝงและพื้นที่ข้อมูลจะมีมิติเท่ากัน ตัวอย่างเช่น ภาพ 2 มิติ หรือคลื่นเสียง 1 มิติ มีการเพิ่มมิติ 'ว่าง' พิเศษเข้าไปในแหล่งที่มา (เรียกว่า 'แม่แบบ' ในรูปแบบการสร้างแบบจำลองนี้) ตัวอย่างเช่น การวางคลื่นเสียง 1 มิติในพื้นที่ 2 มิติ จากนั้นจึงเพิ่มมิติที่ไม่เป็นเชิงเส้นเพิ่มเติม โดยการรวมมิติเดิมเข้าด้วยกัน พื้นที่แฝงที่ขยายใหญ่ขึ้นจะถูกฉายกลับไปยังพื้นที่ข้อมูล 1 มิติ ความน่าจะเป็นของการฉายภาพที่กำหนดจะเหมือนกับที่กล่าวมาแล้ว คือ ได้จากผลคูณของความน่าจะเป็นของข้อมูลภายใต้แบบจำลองสัญญาณรบกวนแบบเกาส์เซียนกับค่าความน่าจะเป็นก่อนหน้าของพารามิเตอร์การเปลี่ยนรูป ซึ่งแตกต่างจากการสร้างแบบจำลองการเปลี่ยนรูปโดยใช้สปริงแบบดั้งเดิม วิธีนี้มีข้อดีคือสามารถปรับให้เหมาะสมที่สุดได้ด้วยวิธีวิเคราะห์ ข้อเสียคือมันเป็นวิธีการ "ขุดค้นข้อมูล" กล่าวคือ รูปทรงของแบบจำลองการเปลี่ยนแปลงรูปร่างเบื้องต้นนั้นไม่น่าจะมีความหมายในฐานะคำอธิบายของการเปลี่ยนแปลงรูปร่างที่เป็นไปได้ เพราะมันขึ้นอยู่กับปริภูมิแฝงที่ไม่เป็นเชิงเส้นที่สร้างขึ้นอย่างประดิษฐ์และตามอำเภอใจ ด้วยเหตุนี้ แบบจำลองเบื้องต้นจึงเรียนรู้จากข้อมูลแทนที่จะสร้างโดยผู้เชี่ยวชาญที่เป็นมนุษย์ ดังเช่นที่สามารถทำได้ในแบบจำลองที่ใช้สปริง

ในขณะที่โหนดในแผนที่จัดระเบียบตนเอง (SOM)สามารถเคลื่อนที่ไปมาได้อย่างอิสระ โหนด GTM จะถูกจำกัดด้วยการแปลงที่อนุญาตและความน่าจะเป็นของการแปลงเหล่านั้น หากการเปลี่ยนแปลงรูปร่างเป็นไปอย่างเหมาะสม โครงสร้างทางโทโพโลยีของพื้นที่แฝงก็จะยังคงอยู่

SOM ถูกสร้างขึ้นเป็นแบบจำลองทางชีววิทยาของเซลล์ประสาทและเป็นอัลกอริทึมแบบฮิวริสติก ในทางตรงกันข้าม GTM ไม่มีส่วนเกี่ยวข้องกับประสาทวิทยาหรือการรับรู้ และเป็นแบบจำลองที่มีหลักการเชิงความน่าจะเป็น ดังนั้นจึงมีข้อดีหลายประการเหนือกว่า SOM ได้แก่:

• โดยจะกำหนดแบบจำลองความหนาแน่นของข้อมูลอย่างชัดเจน
• มันใช้ฟังก์ชันต้นทุนที่วัดประสิทธิภาพการฝึกฝนแผนที่
• โดยใช้กระบวนการปรับแต่งเสียงให้เหมาะสมที่สุด ( อัลกอริธึม EM )

GTM ถูกนำเสนอโดย Bishop, Svensen และ Williams ในรายงานทางเทคนิคของพวกเขาในปี 1997 (รายงานทางเทคนิค NCRG/96/015, มหาวิทยาลัยแอสตัน สหราชอาณาจักร) ซึ่งตีพิมพ์ในวารสาร Neural Computation ในภายหลัง นอกจากนี้ยังมีการกล่าวถึงใน วิทยานิพนธ์ ปริญญาเอกของ Markus Svensen (แอสตัน, 1998) ด้วย

• แผนที่จัดระเบียบตนเอง (SOM)
• โครงข่ายประสาทเทียม (การเรียนรู้ของเครื่อง)หรือเรียกอีกอย่างว่า โครงข่ายประสาทเทียมประดิษฐ์ (ANN)
• การเชื่อมโยง
• การขุดข้อมูล
• การเรียนรู้ของเครื่อง
• การลดมิติแบบไม่เชิงเส้น
• ซอฟต์แวร์เครือข่ายประสาทเทียม
• การจดจำรูปแบบ

• บทความเรื่อง Generative Topographic Mapping ของ Bishop, Svensen และ Williams
• การสร้างแผนที่ภูมิประเทศแบบสร้างสรรค์ (Generative topographic mapping)พัฒนาขึ้นที่กลุ่มวิจัยการคำนวณทางประสาท (Neural Computing Research Group) ของมหาวิทยาลัยแอสตัน (สหราชอาณาจักร) (โดยใช้ Matlab toolbox)