基于局部调整图的降维方法

降维（DR）算法已被证明对于深入分析大规模高维数据集极为有用，尤其是在转录组数据中寻找聚类。这些 DR 方法的初始阶段通常涉及将原始高维数据转换为图。在该图中，每条边代表一对数据点之间的相似性或不相似性。然而，由于不可靠的高维距离以及从高维数据中提取的信息有限，该图通常不是最优的。随着数据集规模的增加，这一问题会进一步加剧。如果我们通过为嵌入的特定部分选择数据点来减小数据集的规模，则通过 DR 观察到的聚类将更具可分性，因为提取的子图更为可靠。在本文中，我们提出了 LocalMAP，一种通过动态且局部地调整图来解决这一挑战的新型降维算法。通过动态提取子图并实时更新图，LocalMAP 能够识别并分离其他 DR 方法可能忽略或合并的真实数据聚类。我们通过生物数据集的案例研究展示了 LocalMAP 的优势，突出了其在帮助用户更准确地识别现实问题中的聚类方面的效用。