🤖 machine learning

When One Point Is Not Enough: Addressing Ambiguous Instances in Dimensionality Reduction by Splitting

本文提出了一种基于图的降维方法，通过将那些与多个不相似邻域相似的模糊实例在投影中分裂为多个副本，从而忠实地表征其完整的邻域结构，以解决由此类模糊实例引起的视觉伪影问题。

原作者： Diede P. M. van der Hoorn, Alessio Arleo, Fernando V. Paulovich

发布于 2026-05-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Diede P. M. van der Hoorn, Alessio Arleo, Fernando V. Paulovich

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

以下是用简单语言和创意类比对该论文的解读。

核心难题：“一刀切”的地图

想象一下，你试图将一座巨大而复杂的城市（你的高维数据）绘制在一张小小的平纸上（二维投影）。你希望保持各个街区彼此邻近，以便人们能够找到方向。

通常，数据科学家会使用 UMAP 或 t-SNE 等工具来完成这项工作。这些工具就像一位非常严格的制图师。他们会说：“这座城市里的每一个人都必须在我的地图上由一个点来代表。”

论文的发现：
有时候，一个人（一个数据点）并不只属于一个街区。他们可能是一个“混合体”，完美地契合两个截然不同的群体。

例子： 想想单词 "Jaguar"（美洲虎/捷豹）。它既可以指一种野生大型猫科动物，也可以指一辆豪华汽车。在现实世界中，这两样东西完全不同。但在你的数据中，特定的"Jaguar"可能既很像猫，又很像车。

错误所在（部分邻域嵌入）：
因为标准的制图师强迫"Jaguar"只能成为一个点，他们必须做出选择。他们可能会把这个点放在“猫”街区。

结果： 地图显示"Jaguar"被猫群包围。这完全掩盖了这样一个事实：这个特定的"Jaguar"同时也属于汽车群体。地图通过遗漏信息在撒谎。论文将这种现象称为**“部分邻域嵌入”**。这就像只展示了一个人半生的故事。

解决方案：“分裂人格”地图

作者提出了一种绘制新地图的方法。他们不再强迫一个混合体的人成为一个点，而是说：“让我们把他们分开。”

如果一个数据点属于两个不同的街区，我们就为它画两个点。

一个点进入“猫”街区。
另一个点进入“车”街区。
我们用虚线连接这两个点，让你知道它们是同一个人。

现在，地图讲述了完整的真相。你可以看到这个特定的实例是连接两个世界的桥梁。

他们是如何做到的（“侦探”方法）

论文描述了一个逐步的过程，用于发现这些“混合体”并将它们分开：

构建网络： 首先，他们构建一个巨大的网络，将相似的项目连接起来。
清理网络（稀疏化）： 这个网络通常很杂乱，充满了太多微弱的连接（就像一张沾满灰尘的蜘蛛网）。他们使用一种称为“谱稀疏化”的数学技巧来清理它，只保留那些强大且有意义的连接。
寻找“桥梁”人物： 他们寻找那些如果被移除，就会将街区分裂成两个独立岛屿的人。这些就是“模糊实例”。
- 类比： 想象一座连接两个岛屿的桥梁。如果你移除桥梁，岛屿就会断开连接。这座桥梁就是将它们联系在一起的“模糊”部分。
分裂： 一旦他们找到了一个“桥梁”人物，他们就将其复制。他们为左边的岛屿创建一个副本，为右边的岛屿也创建一个副本。
绘制新地图： 他们用这些新副本重新绘制地图。这个“桥梁”人物现在出现在两个地方，并通过一条线连接起来。

这为何重要（论文中的真实案例）

作者在真实数据上测试了这种方法，以展示它如何修正具有误导性的地图：

“困惑”的数字： 他们观察了一张计算机误认为是 7 的数字 1 的图片。
- 标准地图： 这个"1"被困在一群"7"的中间。看起来计算机是自信地犯了错。
- 新地图： 这个"1"被分开了。一个副本与"7"们在一起（展示了计算机为何会困惑），另一个副本与"1"们在一起（展示了它的真实身份）。这揭示了模糊性，而不仅仅是一个错误。
文本中的"Jaguar"： 他们观察了一篇关于“毒理学”的科学论文，该论文使用了两个不同领域的方法：ILP（归纳逻辑编程）和 CBR（基于案例的推理）。
- 标准地图： 这篇论文仅被放置在 ILP 组中。
- 新地图： 这篇论文被分开了，同时出现在 ILP 和 CBR 组中。这展示了该论文真正的双重性质。
“混合”细胞： 在生物学中，他们观察了单个细胞。有些细胞处于两种类型之间的过渡状态。
- 标准地图： 细胞被强行归入一个群体，掩盖了其过渡性质。
- 新地图： 细胞同时出现在两个群体中，帮助科学家理解它是发育过程中的一个中间步骤。

核心结论

论文认为，标准的数据地图过于僵化。它们将复杂、多面的数据强行塞入单一位置，掩盖了重要的联系。通过允许数据点在地图上被“分裂”到多个位置，我们可以获得更诚实、更完整的数据真实结构图景。

关键要点： 如果一个数据点是"Jaguar"（既是猫又是车），不要强迫它只成为其中之一。让它同时成为两者，这样你才能看到全貌。

技术摘要：通过分裂解决降维中的模糊实例问题

问题定义
降维（DR）是可视化高维数据的基础工具，但其本质上是一个有损过程。尽管现有文献已列举了各种失真现象（如流形撕裂），但本文识别出一种此前被忽视的视觉伪影来源：模糊实例。这些是在高维空间中与多个相互不相似的邻域高度相似的数据点。

标准降维方法将每个数据实例映射到视觉空间中的单个点。因此，一个模糊实例无法同时忠实地代表其属于多个不同邻域的情况。它被迫位于单一位置，导致部分邻域嵌入。在这种状态下，该实例看起来仅属于一个邻域（或不属于任何邻域），从而掩盖了其与其他不相似群体的真实关系。这种伪影对于实例级分析（如可解释人工智能（XAI）或单细胞生物学）尤为 problematic，因为在这些领域中，理解精确的邻域结构至关重要。现有的评估指标（如可信度和连续性）无法区分部分邻域嵌入与其他失真，因为它们仅基于最终嵌入进行操作，而无法访问底层的数据模糊性。

方法论
作者提出了一种基于图的方法，通过“分裂”模糊实例为多个点（每个点放置在其 respective 邻域内）来识别并解决这些模糊性。该方法遵循 Paulovich 等人提出的两阶段降维框架（关系与映射）：

图构建与稀疏化：
- 高维关系被建模为无向加权图 $G$ 。
- 为了揭示有意义的邻域结构并消除由偶然邻近性引起的冗余边，作者使用 Spielman-Srivastava 算法应用谱稀疏化。这生成了一个简化图 $\bar{G}$ ，它在移除弱连接的同时，保留了原始图的结构和代数属性。
模糊实例的识别：
- 模糊性被定义为拓扑性质。作者调整了**局部关节点（LAPs）**的概念。如果移除某个顶点会增加其局部 $r$ 步诱导邻域内连通分量的数量，则该顶点被视为 LAP。
- 如果一个实例在稀疏化图 $\bar{G}$ 中是 LAP，则被视为模糊实例。这表明该实例连接了原本会分离的不相交邻域。
- 利用引理 3.1 优化计算：如果某个顶点在半径 $r$ 处不是 LAP，则它在任何更大的半径 $r' > r$ 处也不可能是 LAP。
顶点分裂与决策规则：
- 一旦识别出模糊顶点 $v_i$ ，将其分裂为 $K$ 个副本，其中 $K$ 对应于从 $v_i$ 的局部邻域中移除 $v_i$ 后剩余的连通分量数量。
- 决策规则： 并非所有潜在的分裂都会执行。该方法过滤掉以下情况：
  - LAP-LAP 连接： 如果一条边连接两个邻域且两端点均为 LAP，则抑制分裂，以避免制造人为的孤立。
  - 弱连接： 用户定义的阈值 $\tau_w$ （连接强度与最强分量之比）用于过滤掉那些与邻域的连接强度不足以产生意义的分裂。这防止了因吸引力不足而创建视觉上孤立的点。
映射与可视化：
- 包含分裂顶点的修改后图，使用标准局部降维技术（如 UMAP 或 ForceAtlas2）投影到视觉空间。
- 视觉编码： 分裂后的实例被渲染为不同的标记（例如十字形），并通过虚线连接到其原始位置或彼此相连，使分析人员能够追踪单个数据点的多个邻域隶属关系。

主要贡献

部分邻域嵌入的定义： 本文正式引入并定义了由模糊实例引起的这种特定伪影，将其与一般降维失真区分开来。
基于图论的检测： 提出了一种利用稀疏化邻域图上的局部关节点来识别模糊实例的方法。
分裂机制： 作者提出了一种具体的、接近线性时间复杂度的方法来分裂模糊实例，在投影中复制它们以反映多个邻域隶属关系。
实证验证： 该方法在多种数据集（SVHN、MNIST、文本语料库和单细胞 RNA 测序）上得到验证，表明它能揭示标准投影中不可见的隐藏邻域隶属关系。

结果

定性洞察： 在 SVHN 数据集中，一个被错误分类的数字'1'（预测为'7'）在标准 UMAP 中显示仅属于'7'邻域。所提出的方法将该实例分裂，揭示了其同时与'1'邻域的相似性，从而解释了分类器错误的模糊性。同样，在文本数据中，一篇关于"ILP 辅助毒理学模型”的论文被显示同时属于 ILP 和基于案例的推理（CBR）簇，这种双重性在标准投影中被掩盖。
定量分析：
- 稀疏化影响： 测量保留的 $k$ 近邻（ $k$ NN）的实验表明，谱稀疏化保留了与原始图相当的局部邻域结构（大多数数据集的比率接近 1），尽管在高内在维度的单细胞数据中观察到一些方差。
- 指标局限性： 发现标准指标（可信度和连续性）在识别模糊实例方面无效，因为这些点在指标分布中的分布与非模糊点相似。
- 参数敏感性： 增加初始图中的邻居数量通常会减少检测到的分裂数量，因为增加的连通性连接了原本看似不相交的邻域。

意义与主张
本文认为，识别模糊性对于解释降维中的细粒度局部结构至关重要。作者主张，未能考虑模糊实例可能导致不完整或不正确的解释，特别是在 XAI 和生物学等领域，其中实例级上下文至关重要。通过分裂这些实例，该方法提供了对数据高维拓扑更忠实的表示，揭示了“此前隐藏的邻域隶属关系”。这项工作表明，当前的降维质量指标不足以应对这种特定类型的伪影，未来的评估框架必须考虑数据驱动的模糊性，而不仅仅是映射引起的不稳定性。