UMAP verbessert: JORC-UMAP nutzt Geometrie- und Topologie-Prioritäten

Die weit verbreitete Technik zur nichtlinearen Dimensionsreduktion, UMAP, stößt häufig an Grenzen, wenn sie versucht, hochdimensionale Daten zu visualisieren. Ihr Ansatz, lokale euklidische Distanzen zu nutzen, kann die wahre Geometrie des zugrunde liegenden Mannigfaltigkeitsraums nicht immer erfassen, was zu „geometrischen Rissen“ und strukturellen Kollapsen führt.

Forscher haben die Empfindlichkeit von UMAP gegenüber dem k-nächsten-Nachbarn-Graphen als Hauptursache identifiziert. Um diesem Problem entgegenzuwirken, wurde der JORC-UMAP-Algorithmus entwickelt, der die Ollivier‑Ricci‑Krümmung als geometrische Priorität einsetzt. Diese Krümmung stärkt Kanten an geometrischen Engstellen und reduziert überflüssige Verbindungen.

Da die Krümmungsbestimmung jedoch stark von Rauschen beeinflusst wird, ergänzt JORC-UMAP einen topologischen Prioritätsmechanismus, der die Jaccard‑Ähnlichkeit nutzt, um die Konsistenz der Nachbarschaften sicherzustellen. Das Ergebnis ist ein Verfahren, das wahre Mannigfaltigkeitsstrukturen besser erkennt und gleichzeitig fiktive Verbindungen eliminiert.

Experimentelle Tests an synthetischen und realen Datensätzen zeigen, dass JORC-UMAP Risse und Kollapsen deutlich weniger häufig auftritt als bei Standard‑UMAP und anderen Reduktionsmethoden. Die Leistung wird anhand von SVM‑Genauigkeit und Triplet‑Erhaltungswerten gemessen, wobei die Rechenzeit vergleichbar bleibt. Dieser Ansatz bietet somit eine geometriebewusste Verbesserung von UMAP für präzisere Datenvisualisierungen.