MAPLE：基于自监督学习的非线性降维技术，用于视觉分析

《IEEE Transactions on Visualization and Computer Graphics》：MAPLE: Self-Supervised Learning-Enhanced Nonlinear Dimensionality Reduction for Visual Analysis

　　

摘要：

我们提出了一种新的非线性降维方法 MAPLE，它通过改进流形建模来增强 UMAP 的性能。MAPLE 采用自监督学习方法，更高效地编码低维流形几何结构。该方法的核心是最大流形容量表示（MMCRs），它通过压缩局部相似数据点之间的方差同时放大不同数据点之间的方差，从而帮助解析复杂的流形。这种设计特别适用于具有较大簇内方差和弯曲流形结构的高维数据，例如生物数据或图像数据。我们的定性和定量评估表明，MAPLE 可以比 UMAP 提供更清晰的视觉簇分离效果和更精细的子簇分辨率，同时保持可处理的计算成本。