Approximate UMAP实现了高速在线高维数据流可视化

在BCI领域，对脑信号的内省和解释是为了提供反馈或指导快速范式原型设计而所求的，但由于信号的高噪声水平和维度，这一任务具有挑战性。深度神经网络通常通过将其学习的特征表示转换为2或3维子空间的可视化来进行内省，这些投影算法包括Uniform Manifold Approximation and Projection（UMAP）。不幸的是，这些方法计算成本高昂，使得对数据流的实时投影变得非trivial。本研究引入了一种新的UMAP变体，称为近似UMAP（aUMAP）。旨在为实时内省生成快速投影。为了研究其适用于实时投影的 suitability，我们将方法与标准UMAP及其神经网络对手方法（参数化UMAP）进行基准测试。我们的结果表明，近似UMAP交付的投影复制了标准UMAP的投影空间，同时将投影速度降低了一个数量级，同时保持相同的训练时间。