An Adaptive Multi-Scale Manifold Embedding Preprocessing Framework for High-Dimensional Data Visualization

doi:10.1109/tvcg.2026.3704960

An Adaptive Multi-Scale Manifold Embedding Preprocessing Framework for High-Dimensional Data Visualization

2026-06-17

0

PRE

AI

DOI：10.1109/tvcg.2026.3704960

原文链接

原文求助

摘要

En 中文

为提高高维可视化中邻域构建的鲁棒性以及区分簇内和簇间结构的能力，本文提出了自适应多尺度流形嵌入（AMSME），一种基于序数距离的现有流形嵌入算法预处理框架。该框架引入序数距离替代传统欧氏距离。在理想化的高维高斯分布设置下，我们的分析表明，序数距离能提升同质与异质样本间邻域排序的稳定性，从而缓解距离集中效应的不利影响。在此基础上，我们设计了自适应邻域调整策略，构建能同时优化簇内紧致性和簇间可分性的相似度图。AMSME的核心机制在于将这些相似度图转化为结构增强型距离矩阵，作为优化输入用于三种流形嵌入算法——t-SNE、UMAP和PaCMAP，从而提升可视化及下游分析性能。在多个真实数据集上的实验结果表明，AMSME在提升簇间可分性的同时，更好地保留了簇内拓扑结构。此外，在一个针对小鼠腰段背根神经节（DRG）单细胞RNA测序（scRNA-seq）数据的案例研究中，AMSME识别出候选神经元亚型，而标记基因分析为其转录差异提供了初步证据。

Keyword:

Manifold embedding

scale-invariant metric

adaptive neighborhood identification

visualization

An Adaptive Multi-Scale Manifold Embedding Preprocessing Framework for High-Dimensional Data Visualization

摘要

期刊

机构

引用论文