Rashomon-Effekt: Mehrere optimale Visualisierungen für hochdimensionale Daten

Die Reduktion von hochdimensionalen Daten ist von Natur aus mehrdeutig: Verschiedene Einbettungen können die Struktur gleichermaßen gut erhalten, unterscheiden sich jedoch in Layout und Geometrie. In der neuen Studie wird der sogenannte Rashomon‑Set für Dimensionsreduktion formal definiert – die Menge aller „guten“ Einbettungen – und gezeigt, wie die Akzeptanz dieser Vielfalt zu kraftvolleren und vertrauenswürdigeren Darstellungen führt.

Die Autoren verfolgen drei zentrale Ziele. Erstens führen sie eine PCA‑informierte Ausrichtung ein, die Einbettungen gezielt in Richtung der Hauptkomponenten steuert. Dadurch werden Achsen interpretierbar, ohne die lokalen Nachbarschaften zu verzerren. Zweitens entwickeln sie eine Konzept‑Ausrichtungsregularisierung, die eine Dimension einer Einbettung mit externen Informationen wie Klassenlabels oder benutzerdefinierten Konzepten in Einklang bringt. Drittens schlagen sie eine Methode vor, um über das Rashomon‑Set hinweg gemeinsames Wissen zu extrahieren: Durch die Identifikation vertrauenswürdiger und persistenter Nachbarschaftsbeziehungen werden verfeinerte Einbettungen erzeugt, die die lokale Struktur verbessern und gleichzeitig die globalen Beziehungen bewahren.

Indem sie über eine einzige Einbettung hinausgehen und das Rashomon‑Set nutzen, bieten die Forscher einen flexiblen Rahmen für die Erstellung von Visualisierungen, die sowohl interpretierbar, robust als auch zielgerichtet sind. Diese Arbeit eröffnet neue Möglichkeiten, komplexe Daten auf verständliche und gleichzeitig verlässliche Weise darzustellen.