PulseAugur
中
实时 06:10:44
English(EN) ScaleMAP: Preserving Local Density and Neighborhood Structure in Low-Dimensional Embeddings

ScaleMAP 方法在嵌入中保持密度和邻域结构

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 ScaleMAP，一种用于低维嵌入的新颖方法，可同时保持局部密度和邻域结构。与先前会归一化距离并丢失尺度信息的现有技术不同，ScaleMAP 将原始空间局部半径的几何平均值除以嵌入位移。这种方法成功地恢复了来自转录组学和高光谱成像的数据集中的稀疏结构和密度变化，在保持关键数据特征方面优于 UMAP 和 DensMAP 等现有方法。 AI

影响 改进了复杂数据集的数据可视化和分析，可能有助于 AI 模型的可解释性。

排序理由 详细介绍降维新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Rajas Poorna (Georgia Institute of Technology), Marcus T. Cicerone (Georgia Institute of Technology) ·

    ScaleMAP: Preserving Local Density and Neighborhood Structure in Low-Dimensional Embeddings

    arXiv:2605.30597v1 Announce Type: new Abstract: Nonlinear dimensionality-reduction methods such as UMAP and PaCMAP adaptively normalize local distances during graph construction, erasing neighborhood scale from the data. This distorts more than relative cluster sizes: sparse stru…

相关实体

相关话题