[論文レビュー] HUMAP: Hierarchical Uniform Manifold Approximation and Projection

Wilson E. Marcílio-Jr, Danilo Medeiros Eler+2 more|arXiv (Cornell University)|Jun 14, 2021

Data Visualization and Analytics被引用数 7

ひとこと要約

HUMAPは、複数の詳細レベルにわたるメンタルマップを保持しながら、グローバル構造とローカル構造の両方をバランスさせる、新しい階層的次元削減手法である。UMAPを拡張して、一貫した空間的関係性を保ちながら階層的探索を可能にし、レイアウトの一貫性や階層間のクラスタ類似度を維持する点で、既存の手法を上回る性能を発揮する。

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.

研究の動機と目的

• 現在の階層的DR手法が階層レベル間でメンタルマップを保持できないという限界を解消すること。
• 階層的探索中にグローバル構造とローカル構造の両方を維持できる、柔軟でスケーラブルな手法を提供すること。
• 多様なデータタイプをサポートし、高次元データセットの詳細オンデマンド分析を直感的に行えるようにすること。
• 空間的関係性を保持できない、または特定のデータタイプに限定される既存のHDR手法の欠陥を克服すること。
• データ可視化におけるグローバルな概要とローカルな詳細のバランスを調整可能なチューナブルなフレームワークを提供すること。

提案手法

• HUMAPはUMAPの多様体近似に基づくが、ランドマーク選択を用いたデータの階層的分解を導入する。
• 密度に配慮した均等な分布戦略によりランドマークを選択し、各階層レベルでのクラスタを代表させる。
• アルゴリズムは、ランドマークサブセットに対してUMAPに類似した埋め込みを再帰的に適用することで階層を構築し、空間的関係性を保持する。
• 一貫した最適化により、低レベルの投影がトップレベルのレイアウトと整合するようにすることで、メンタルマップの保持を達成する。
• グローバル構造とローカル構造の強調の調整が可能な、設定可能なハイパーパrameterを備えたCPUおよびGPU実装をサポートする。
• 各レベルがデータの粗いまたは細かい粒度を表すように、階層的クラスタリングアプローチを用いてレベルを定義する。

実験結果

リサーチクエスチョン

• RQ1 階層的DR手法は、複数の詳細レベルにわたってメンタルマップを保持しながら、グローバル構造とローカル構造の両方を維持できるか？
• RQ2 HUMAPは、レイアウトの一貫性とクラスタ表現の観点で、既存のHDR手法と比較してどのように異なるか？
• RQ3 HUMAPは多様なデータタイプおよび高次元データセットにどの程度一般化できるか？
• RQ4 ランドマークに基づく階層的分解の使用は、可視化におけるスケーラビリティと解釈可能性を向上させるか？
• RQ5 メンタルマップの保持は、階層的データ探索におけるユーザー理解にどのように影響するか？

主な発見

• HUMAPは、階層レベル間でメンタルマップを保持する点で、既存の階層的DR手法を上回り、一貫した空間的関係性を保証する。
• 本手法は優れたレイアウト一貫性を維持しており、トップレベルとボトムレベルの投影がクラスタ組織において強く類似している。
• 実証的評価では、DEMaP指標においてHSNEや他のHDRベースラインと比較してHUMAPが優れた性能を示した。
• HUMAPは、遺伝子発現データやシングルセルシーケンシングデータを含む多様なデータセットに対して、一貫した可視化品質を示し、頑健性を示した。
• CPU実装のHUMAPはGPUバージョンよりも優れた結果を示しており、近似精度のトレードオフが生じている可能性を示唆している。
• HUMAPは異なるハイパーパrameter設定に対しても安定した性能を示しており、強力な汎用性とチューナビリティを示している。