eamid/trimap

解决的问题

TriMap 解决了将高维数据转换为低维嵌入（通常为 2D 或 3D）的降维挑战，同时保留数据的全局结构。与 t-SNE 或 UMAP 等方法不同，TriMap 不侧重于局部聚类，而是旨在更好地反映聚类间的相对距离、数据的多尺度特征以及异常值的存在。

工作原理

TriMap 使用三元组约束来创建嵌入。三元组约束的形式为："点 i 比点 k 更接近点 j"。这些三元组从数据的高维表示中采样，并应用加权方案来确定每个三元组的重要性。系统使用梯度下降优化嵌入，以满足这些约束。

适用人群

专为需要可视化高维数据集（如 CNN 特征或基因组数据）的数据科学家和研究人员设计，相比传统方法，能提供更准确的数据结构全局视图。

主要亮点

• 全局结构保留：专门设计用于保持聚类间的相对距离并识别异常值。
• 多种实现：提供传统的 NumPy/Numba 版本和 GPU 并行的 PyTorch 版本（TorchTRIMAP），可在 CUDA、MPS 和 CPU 上实现更快的处理速度。
• 灵活的后端支持：PyTorch 版本支持多种 k-NN 后端，包括精确的 PyTorch 搜索、Faiss（平面和 IVF）、以及适用于超大数据集的 NVIDIA cuVS CAGRA。
• 与 scikit-learn 兼容：使用与标准 sklearn 库类似的转换器 API（fit_transform），便于集成。