Approximate UMAP allows for high-rate online visualization of high-dimensional data streams

在脑机界中，对脑信号的内省和解释是提供反馈或指导快速范式原型设计所需的，但由于信号的高噪声水平和维数，这是具有挑战性的。深度神经网络通常通过将其学习的特征表示转化为二维或三维子空间可视化来进行内省，使用像均匀流形近似和投影这样的投影算法。不幸的是，这些方法计算成本昂贵，使得实时数据流的投影成为一个非常困难的任务。在本研究中，我们介绍了一种新颖的UMAP变体，称为近似UMAP（aUMAP）。它旨在为实时内省生成快速投影。为了研究它在实时投影中的适用性，我们将该方法与标准UMAP及其神经网络对应物参数UMAP进行了基准测试。我们的结果表明，近似UMAP提供了能够复制标准UMAP投影空间的投影，同时将投影速度降低一个数量级，并保持相同的训练时间。

论文旨在解决BCI领域中数据流实时投影的问题，提出了一种名为aUMAP的新的UMAP变体。

aUMAP通过牺牲一定的准确性来提高投影速度，从而实现实时数据流的投影。

实验结果表明，aUMAP在保持训练时间不变的同时，将投影速度提高了一个数量级，并且仍能够复制标准UMAP的投影空间。该论文对于实现BCI领域中的实时数据流投影具有重要意义。

目前在BCI领域中，还有其他基于UMAP的实时数据流投影方法，如parametric UMAP等。