Emerging-properties Mapping Using Spatial Embedding Statistics: EMUSES

理解复杂现象通常需要分析高维数据以揭示由多因素交互引起的新兴特性。在这里，我们介绍了EMUSES（利用空间嵌入统计的新兴特性映射），这是一种创新方法，采用均匀流形逼近和投影（UMAP）创建高维嵌入，以揭示数据中的潜在结构。EMUSES通过统计分析这些潜在空间，便于探索和预测新兴特性。我们使用三个不同的数据集——来自国家标准技术研究所（NIST）的手写数字数据集（E. Alpaydin，1998）、芝加哥人脸数据库（Ma等人，2015）和中风后的脑部断连数据（Talozzi等人，2023）——展示了EMUSES在检测和解释新兴特性方面的有效性。我们的方法不仅预测准确度高，而且提供了清晰的可视化和统计洞见，揭示了数据内部交互的基本规律。EMUSES通过弥合预测准确性和可解释性之间的差距，为研究人员提供了一种理解复杂现象多因素起源的强大工具。

本论文旨在通过使用Uniform Manifold Approximation and Projection (UMAP)创建高维嵌入，揭示数据中的潜在结构，以解决理解复杂现象的问题。作者使用三个不同的数据集，展示了EMUSES在检测和解释新兴属性方面的有效性。

EMUSES利用UMAP创建高维嵌入，从而揭示数据中的潜在结构，并通过统计分析这些潜在空间来探索和预测新兴属性。

作者使用三个不同的数据集展示了EMUSES的有效性，并提供了清晰的可视化和统计见解。该方法不仅具有高精度的预测能力，还能够揭示数据内部的交互作用。

最近的相关研究包括使用UMAP的其他应用，如基因表达数据分析、图像分类等。