YingfanWang/PaCMAP

해결하는 문제

PaCMAP(Pairwise Controlled Manifold Approximation)는 데이터 시각화를 위한 차원 축소 방법입니다. 기존 도구들은 일반적으로 국소 구조(t-SNE 또는 UMAP와 같은) 또는 전역 구조(TriMAP와 같은) 중 하나를 우선시하는 경향이 있으며, 둘 다 동시에 보존하지 못하는 경우가 많습니다.

작동 방식

PaCMAP는 세 가지 다른 유형의 점 쌍을 사용하여 저차원 임베딩을 최적화함으로써 데이터의 원래 기하학적 구조를 유지합니다:

• 근접 쌍: 국소 구조를 보존합니다.
• 중간 근접 쌍: 전역 구조를 포착하고 임베딩을 정교화합니다.
• 원거리 쌍: 고차원 공간에서 멀리 떨어진 점들이 저차원 공간에서도 분리된 상태를 유지합니다.

scikit-learn API와 호환되며, 고차원 데이터셋을 일반적으로 2차원으로 변환하여 시각화할 수 있는 fit_transform 인터페이스를 제공합니다.

대상 사용자

• 데이터 과학자 및 연구자: 국소 클러스터와 전역 관계를 충실하게 표현하면서 고차원 데이터셋을 시각화해야 하는 경우.
• 생물정보학자: 특히 단일세포 유전체학(Seurat 래퍼를 통해 통합 가능) 작업에 종사하는 경우.

주요 특징

• 이중 구조 보존: 국소 구조와 전역 구조를 동시에 보존합니다.
• scikit-learn 호환: 익숙한 fit_transform 인터페이스를 사용합니다.
• Conda/Pip 설치: conda-forge 또는 pip를 통해 간편하게 설치 가능합니다.
• 유연한 KNN 백엔드: 효율적인 근접 이웃 검색을 위해 FAISS(기본값), Annoy, Voyager를 지원합니다.
• 다국어 지원: Python, R(reticulate를 통해), 그리고 독립형 Rust 구현체로 사용 가능합니다.