Cómo la escala rompe el "estrés normalizado" y la divergencia KL: una reconsideración de las métricas de calidad

Área de la Ciencia:

• Visualización de datos
• Aprendizaje automático
• Biología computacional
• Ciencias sociales

Sus antecedentes:

• La visualización de datos de alta dimensionalidad se basa en diagramas de dispersión 2D.
• Las métricas de calidad como el estrés normalizado y la divergencia de Kullback-Leibler (KL) evalúan la precisión de la proyección.
• Las métricas actuales son sensibles al escalado uniforme, lo que afecta la fiabilidad de la evaluación.

Objetivo del estudio:

• Investigar el impacto del escalado uniforme en el estrés normalizado y la divergencia KL.
• Desarrollar un método invariante a la escala para mejorar estas métricas de calidad de reducción de dimensionalidad.
• Validar la técnica propuesta utilizando métodos analíticos y empíricos.

Principales métodos:

• Investigación analítica de los efectos del escalado en el estrés y la divergencia KL.
• Evaluación empírica del comportamiento métrico bajo escalado uniforme.
• Desarrollo y aplicación de una nueva técnica de ajuste invariante a la escala.

Principales resultados:

• Se demostró una sensibilidad significativa del estrés normalizado y la divergencia KL al escalado uniforme.
• Se cuantificó hasta qué punto el escalado afecta los valores métricos y las evaluaciones de reducción de dimensionalidad.
• Se mostró la efectividad de la técnica propuesta invariante a la escala en un conjunto de datos de referencia.

Conclusiones:

• El escalado uniforme plantea un desafío para la interpretación precisa de las métricas de calidad de reducción de dimensionalidad.
• La técnica invariante a la escala introducida ofrece una solución fiable para evaluar la fidelidad de la proyección.
• Este avance mejora la evaluación de técnicas complejas de visualización de datos de alta dimensionalidad.