Spektral-Framework verbindet globale und lokale Strukturen in nichtlinearen DR

Ein neues Spektral-Framework für nichtlineare Dimensionsreduktion (DR) löst seit langem bestehende Konflikte zwischen globaler und lokaler Strukturwahrung. Während Verfahren wie t‑SNE und UMAP lokale Nachbarschaften betonen, aber globale Manifold‑Strukturen verzerren, bewahren Laplace‑Eigenmaps die globale Geometrie, jedoch oft nur begrenzte lokale Trennung.

Das vorgestellte Framework kombiniert eine spektrale Basis mit Cross‑Entropy‑Optimierung, um Daten auf mehreren Skalen zu repräsentieren. Dadurch entsteht ein Embedding, das sowohl globale Kontinuität als auch lokale Differenzierung gewährleistet.

Durch die lineare spektrale Zerlegung kann die Methode die Einbettung aus graph‑frequenz‑perspektivischer Sicht analysieren. So lässt sich nachvollziehen, wie einzelne spektrale Modi das Endresultat beeinflussen.

Zur Visualisierung werden glyph‑basierte Scatterplot‑Erweiterungen eingesetzt, die die Analyse der spektralen Beiträge erleichtern und die Interpretation der Embedding‑Struktur vertiefen.

Quantitative Tests und Fallstudien zeigen, dass das Framework die Kontinuität des Manifolds verbessert und gleichzeitig eine tiefere Analyse der Embedding‑Struktur durch spektrale Modusanalyse ermöglicht.