保持簇和相关性：一种在极端保持全局结构的降维方法
机器学习
2025-03-18 v3
摘要
我们提出了一种称为保持簇和相关性 (PCC) 的新型降维 (DR) 方法，该方法在保持竞争性局部结构 (LS) 的同时，实现了业界最先进的全局结构 (GS) 保存能力。PCC 优化两个目标：一个保持全局结构的目标，通过保存高维距离与低维距离之间的 Pearson 和斯皮尔曼相关性的近似来实现；以及保持局部结构的目标，确保高维数据中的簇在低维数据中可被分离。PCC 在保持全局结构方面具有业界最先进的能力，而在保持局部结构方面则表现出竞争力。此外，我们展示了该相关性目标可以与 UMAP 结合，以在保持局部结构几乎不受影响的情况下显著提高其全局结构保存能力。我们对 PCC 与现有方法进行了定量基准测试，并在医学成像领域展示了其实用性，证明 PCC 是一种具备优越全局结构保存能力的竞争性 DR 技术。
引用
@article{arxiv.2503.07609,
title = {Preserving clusters and correlations: a dimensionality reduction method for exceptionally high global structure preservation},
author = {Jacob Gildenblat and Jens Pahnke},
journal= {arXiv preprint arXiv:2503.07609},
year = {2025}
}