YingfanWang/PaCMAP

何を解決するか

PaCMAP（Pairwise Controlled Manifold Approximation）は、データ可視化を目的とした次元削減手法です。従来のツールは、通常、局所構造（t-SNE や UMAP など）またはグローバル構造（TriMAP など）のどちらか一方を重視する傾向があり、両方を同時に保持できず、結果として情報の損失が生じることがあります。

動作原理

PaCMAP は、3種類の点ペアを用いて低次元埋め込みを最適化し、データの元の幾何構造を維持します：

• 近傍ペア：局所構造を保持します。
• 中距離ペア：グローバル構造を捉え、埋め込みを精緻化します。
• 遠方ペア：高次元空間で離れている点が低次元空間でも分離されたままになることを保証します。

scikit-learn API と互換性があり、高次元データセットを低次元空間（通常は2次元）に変換して可視化するための fit_transform を利用できます。

対象ユーザー

• データサイエンティストおよび研究者：局所クラスタとグローバルな関係性の両方を忠実に再現しながら、高次元データセットを可視化したい方。
• バイオインフォマティシャン：特にシングルセルゲノミクス（Seurat ラッパー経由で統合可能）に取り組んでいる方。

特徴

• 二重構造の保持：局所構造とグローバル構造の両方を同時に保持します。
• scikit-learn互換：馴染み深い fit_transform インターフェースを使用します。
• Conda/Pip インストール：conda-forge または pip で簡単にインストール可能。
• 柔軟なKNNバックエンド：効率的な近隣探索のために、FAISS（デフォルト）、Annoy、Voyager をサポート。
• 多言語対応：Python、R（reticulate を通じて）、およびスタンドアロンのRust実装で利用可能。