manifold learning

manifold learningは、高次元のデータが実際にはより低い次元の構造（多様体）に沿って分布しているという仮定に基づいた手法です。単純な線形次元削減では捉えきれない、複雑に曲がったデータ構造を解きほぐして低次元空間に投影することを目指します。

線形手法との決定的な違い

主成分分析（PCA）のような線形次元削減は、データを直線や平面で切り取りますが、manifold learningはデータの曲がりを許容します。例えば、紙を丸めて作った筒状のデータがある場合、線形手法では筒を潰してしまいますが、多様体学習では紙を丁寧に広げるようにして元の二次元平面に戻すことができます。

代表的なアルゴリズムと適用例

この分野では、Isomapやt-SNE、UMAPといったアルゴリズムが頻繁に利用されます。特に以下のようなケースで有効です。

画像認識：ピクセルの集合という超高次元データを、物体の向きや形状という低次元のパラメータに変換する場合
生物学：数万個の遺伝子発現データから、細胞の状態遷移という低次元の経路を抽出する場合

このように、データの背後にある本質的な構造を可視化し、解析しやすくすることが最大の目的です。