ShapeVis：大规模高维数据可视化
机器学习
2020-01-22 v2 人机交互
机器学习
摘要
我们提出 ShapeVis，一种受拓扑数据分析启发的可扩展点云数据可视化技术。我们的方法在压缩图形表示中捕捉数据底层的几何与拓扑结构。可视化技术 Mapper 通过离散逼近数据上过滤函数的 Reeb 图取得了诸多成功。然而，当使用标准降维算法作为过滤函数时，Mapper 面临可观的计算代价，难以扩展到高维数据。我们提出的技术依赖于沿数据流形寻找称为地标的点子集，以在其上构建加权见证图。该图捕捉点云的结构特征，其权重由有限马尔可夫链确定。我们进一步通过应用标准社区检测算法的诱导映射来压缩该图。利用源自流形撕裂的技术，我们基于模块度对诱导图中的边进行剪枝与重建以概括数据形状。我们通过实验展示该技术如何捕捉真实与合成数据集的结构特征。此外，我们使用 t-SNE、UMAP、LargeVis 等多种过滤函数将我们的方法与 Mapper 比较，表明我们的算法在保持可视化质量的同时可扩展到数百万数据点。
引用
@article{arxiv.2001.05166,
title = {ShapeVis: High-dimensional Data Visualization at Scale},
author = {Nupur Kumari and Siddarth R. and Akash Rupela and Piyush Gupta and Balaji Krishnamurthy},
journal= {arXiv preprint arXiv:2001.05166},
year = {2020}
}
备注
Accepted at WWW 2020