YingfanWang/PaCMAP

解決的問題

PaCMAP（Pairwise Controlled Manifold Approximation）是一種專為資料可視化設計的降維方法。它解決了現有工具通常只側重於局部結構（如 t-SNE 或 UMAP）或全局結構（如 TriMAP）的問題，往往無法同時保留兩者。

工作原理

PaCMAP 透過利用三種不同類型的點對來優化低維嵌入，以保持資料的原始幾何結構：

• 鄰近點對：保留局部結構。
• 中距離點對：捕捉全局結構並優化嵌入。
• 遠距離點對：確保高維空間中相距較遠的點在低維空間中仍保持分離。

此方法與 scikit-learn API 相容，使用者可使用 fit_transform 接口將高維資料集轉換為低維空間（通常為 2D）以進行可視化。

適用對象

• 資料科學家與研究人員：需要在保持局部聚類與全局關係忠實表達的同時，可視化高維資料集。
• 生物資訊學家：特別是從事單細胞基因組學研究（可透過 Seurat 包裝器整合）的專業人員。

主要亮點

• 雙重結構保留：同時保留局部與全局資料結構。
• 與 scikit-learn 相容：使用熟悉的 fit_transform 接口。
• Conda/Pip 安裝：可透過 conda-forge 或 pip 輕鬆安裝。
• 靈活的 KNN 後端：支援 FAISS（預設）、Annoy 與 Voyager，實現高效的近鄰搜尋。
• 多語言支援：支援 Python、R（透過 reticulate）、以及獨立的 Rust 實作。