[논문 리뷰] HUMAP: Hierarchical Uniform Manifold Approximation and Projection

Wilson E. Marcílio-Jr, Danilo Medeiros Eler외 2명|arXiv (Cornell University)|2021. 06. 14.

Data Visualization and Analytics인용 수 7

한 줄 요약

HUMAP는 다중 수준의 세부 정보에서 정신 지ap(mental map)을 유지하면서 글로벌 및 로컬 구조 보존을 균형 잡는 새로운 계층적 차원 축소 기법이다. UMAP을 확장하여 일관된 공간 관계를 유지하는 계층적 탐색을 가능하게 하며, 기존 방법들보다 레이아웃 일관성과 수준 간 클러스터 유사성 유지를 더 잘 수행한다.

ABSTRACT

Dimensionality reduction (DR) techniques help analysts to understand patterns in high-dimensional spaces. These techniques, often represented by scatter plots, are employed in diverse science domains and facilitate similarity analysis among clusters and data samples. For datasets containing many granularities or when analysis follows the information visualization mantra, hierarchical DR techniques are the most suitable approach since they present major structures beforehand and details on demand. This work presents HUMAP, a novel hierarchical dimensionality reduction technique designed to be flexible on preserving local and global structures and preserve the mental map throughout hierarchical exploration. We provide empirical evidence of our technique's superiority compared with current hierarchical approaches and show a case study applying HUMAP for dataset labelling.

연구 동기 및 목표

• 현재 계층적 DR 기법이 계층 수준 간 정신 지ap을 유지하는 데에 한계가 있다는 문제를 해결하기 위해.
• 계층적 탐색 중 글로벌 및 로컬 데이터 구조를 모두 유지할 수 있는 유연하고 확장 가능한 방법을 제공하기 위해.
• 다양한 데이터 유형을 지원하고 고차원 데이터셋에 대한 직관적이고 필요에 따라 세부 정보를 확장할 수 있는 분석을 가능하게 하기 위해.
• 기존 HDR 방법들이 공간 관계를 제대로 보존하지 못하거나 특정 데이터 유형에 국한되어 있다는 단점을 보완하기 위해.
• 데이터 시각화에서 글로벌 개요와 로컬 세부 정보 간의 균형을 조정할 수 있는 조정 가능한 프레임워크를 제공하기 위해.

제안 방법

• HUMAP는 다양한 다양체 근사 기법을 기반으로 하지만, 랜드마크 선택을 통한 데이터의 계층적 분해를 도입한다.
• 클러스터를 각 계층 수준에서 대표하기 위해 밀도 인식 및 균일 분포 전략을 활용해 랜드마크를 선정한다.
• 알고리즘은 랜드마크 부분집합에 대해 UMAP 유사 임베딩을 반복적으로 적용하여 계층을 구성하며, 공간 관계를 유지한다.
• 일致한 최적화를 통해 하위 수준의 투영이 상위 수준 레이아웃과 일치하도록 정신 지ap 보존을 달성한다.
• CPU 및 GPU 구현을 모두 지원하며, 글로벌 구조와 로컬 구조 강조를 조정할 수 있는 설정 가능한 하이퍼파라미터를 제공한다.
• 각 수준이 데이터의 더 거친 또는 더 세밀한 해상도를 나타내도록 계층적 클러스터링 접근 방식을 사용한다.

실험 결과

연구 질문

• RQ1 계층적 DR 기법이 다수의 세부 수준에서 정신 지ap을 유지하면서 글로벌 및 로컬 데이터 구조를 보존할 수 있는가?
• RQ2 레이아웃 일관성과 클러스터 표현 측면에서 HUMAP은 기존 HDR 방법들과 비교해 어떻게 다른가?
• RQ3 HUMAP는 다양한 데이터 유형과 고차원 데이터셋에 얼마나 일반화되는가?
• RQ4 랜드마크 기반 계층적 분해가 시각화에서 확장성과 해석 가능성 향상에 기여하는가?
• RQ5 정신 지ap 보존은 계층적 데이터 탐색에서 사용자 이해도에 어떤 영향을 미치는가?

주요 결과

• HUMAP는 계층 수준 간 정신 지ap 보존에서 기존 계층적 DR 방법들을 능가하며, 일관된 공간 관계 유지에 기여한다.
• 메서드는 뛰어난 레이아웃 일관성을 유지하여 상위 수준과 하위 수준의 투영이 클러스터 조직 측면에서 강한 유사성을 보인다.
• 실증 평가 결과, HUMAP는 DEMaP 지표에서 HSNE 및 기타 HDR 기준선보다 더 뛰어난 성능을 기록한다.
• HUMAP는 유전자 발현 및 단세포 시퀀싱 데이터를 포함한 다양한 데이터셋에서 강건성을 보이며, 일관된 시각화 품질을 유지한다.
• HUMAP의 CPU 구현은 GPU 버전보다 더 좋은 성능을 낸다. 이는 근사 정확도와의 상충 관계를 시사한다.
• HUMAP는 다양한 하이퍼파라미터 설정에서도 안정적인 성능을 보이며, 강력한 일반화 능력과 조정 가능성의 증거로 간주된다.