# DiRe-RAPIDS: Topology-faithful dimensionality reduction at scale

### 저자

Alexander Kolpakov, Igor Rivin

### 💡 개요

기존 차원 축소 기법은 고차원 데이터 시각화에 널리 사용되지만, 국소적 특성 보존에 치중하여 전역적 위상 구조를 왜곡하고 노이즈를 과도하게 학습하는 경향이 있습니다. 본 연구에서는 노이즈가 포함된 매니폴드에 대한 위상 보존 벤치마크를 개발하고, 이를 기반으로 새로운 차원 축소 기법인 DiRe를 제안합니다. DiRe는 기존 GPU 가속 UMAP 대비 분류 성능을 유지하면서도 3-4배 더 많은 위상 구조를 보존하는 우수한 성능을 보여줍니다.

### 🔑 시사점 및 한계

- 기존 차원 축소 기법의 국소적 특성 보존이 전역적 위상 왜곡 및 노이즈 과잉 학습을 야기할 수 있음을 규명합니다.

- DiRe는 위상 보존을 명시적으로 최적화하여 기존 기법 대비 데이터의 전역적 위상 구조를 훨씬 더 잘 복원합니다.

- 대규모 데이터셋에서도 DiRe는 UMAP 대비 효율적으로 위상 정보를 보존하며, 특히 노이즈가 많은 데이터셋에서 강점을 보입니다.

- 제안된 벤치마크를 통해 차원 축소 기법의 위상 보존 성능을 정량적으로 평가하고 비교할 수 있는 새로운 기준을 제시합니다.

- DiRe의 적용 범위를 확장하고, 다양한 종류의 위상적 특징(예: 고차 베티 수)에 대한 보존 성능을 더욱 강화하는 것이 향후 과제입니다.

---

[PDF 보기](https://arxiv.org/pdf/2604.25209)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).