StarMAP：用于忠实数据可视化的全局近邻嵌入
机器学习
2025-02-07 v1
摘要
近邻嵌入被广泛用于高维数据的可视化；然而，它经常忽略全局结构，例如簇间相似性，从而阻碍了准确的可视化。为了解决这个问题，本文提出了星形吸引流形逼近与投影（StarMAP），将近邻嵌入中融入了主成分分析（PCA）的优势。受 PCA 嵌入可被视为数据最大投影这一特性的启发，StarMAP 通过利用 PCA 嵌入引入了“星形吸引”的概念。该方法在保持近邻嵌入的可解释性和计算效率的同时，实现了忠实的全局结构保留。在玩具数据集、单细胞 RNA 测序数据和深度表示的可视化任务中，将 StarMAP 与现有方法进行了比较。实验结果表明，StarMAP 简单而有效地实现了忠实的可视化。
引用
@article{arxiv.2502.03776,
title = {StarMAP: Global Neighbor Embedding for Faithful Data Visualization},
author = {Koshi Watanabe and Keisuke Maeda and Takahiro Ogawa and Miki Haseyama},
journal= {arXiv preprint arXiv:2502.03776},
year = {2025}
}