UMATO: Lokale und globale Strukturen für zuverlässige Visualisierung

Bei der Analyse hochdimensionaler Daten stoßen klassische Dimensionsreduktionstechniken an ihre Grenzen: Während lokale Verfahren die Nachbarschaftsstruktur betonen, fokussieren globale Methoden auf die Erhaltung von Abständen zwischen allen Punkten. Beide Ansätze können jedoch zu irreführenden Interpretationen führen, indem sie entweder die Kompaktheit einzelner Manifold-Cluster überbetonen oder gut getrennte Cluster im Originalraum nicht mehr unterscheiden.

Die neue Methode UMATO (Uniform Manifold Approximation with Two‑phase Optimization) löst dieses Problem, indem sie den Optimierungsprozess von UMAP in zwei Phasen aufteilt. Zunächst wird ein Skelettlayout aus repräsentativen Punkten erstellt, das die wesentlichen globalen Strukturen einfängt. In der zweiten Phase werden die restlichen Punkte so projiziert, dass die regionalen Eigenschaften erhalten bleiben, ohne die globale Übersicht zu verlieren.

Quantitative Tests zeigen, dass UMATO die globale Struktur besser erhält als etablierte Verfahren wie UMAP, wobei der Verlust an lokaler Detailtreue minimal bleibt. Darüber hinaus demonstriert die Methode eine höhere Skalierbarkeit und Stabilität gegenüber unterschiedlichen Initialisierungen und Stichproben, was sie besonders geeignet für die zuverlässige Analyse großer, komplexer Datensätze macht.

Mit UMATO können Analysten nun sowohl die feinen lokalen Muster als auch die übergeordneten globalen Beziehungen in hochdimensionalen Daten gleichzeitig erfassen. Dies eröffnet neue Möglichkeiten für präzisere Visualisierungen und fundiertere Entscheidungen in Bereichen wie Bioinformatik, Finanzanalyse und maschinellem Lernen.