초록
UMAP (Uniform Manifold Approximation and Projection)는 차원 축소를 위한 새로운 다양체 학습 기법입니다. UMAP은 리만 기하학과 대수적 위상수학을 기반으로 하는 이론적 프레임워크에서 구축되었습니다. 그 결과, 실제 세계 데이터에 적용할 수 있는 실용적이고 확장성이 뛰어난 알고리즘을 얻었습니다. UMAP 알고리즘은 시각화 품질 측면에서 t-SNE와 경쟁하며, 전역 구조를 더 잘 보존한다고 주장되며 실행 시간 성능이 우수합니다. 또한, UMAP은 임베딩 차원에 대한 계산적 제약이 없으므로 머신 러닝의 일반적인 차원 축소 기법으로 활용될 수 있습니다.