多様体学習とは、高次元データがより低次元の「多様体」と呼ばれる滑らかな構造上に分布しているという仮説に基づき、データの持つ幾何学的な構造を保ったまま次元削減を行う機械学習の手法です。画像や音声などの複雑なデータから本質的な特徴を抽出し、データの可視化や前処理に活用されます。
多様体学習とは
多様体学習を一言でいうと、高次元データの中に潜む低次元の曲面構造を見つけ出し、データの情報を損なわずに圧縮する非線形の次元削減手法です。
詳しく解説
高次元データは一見複雑ですが、実際にはより少ない変数で説明できる低次元の「多様体（曲がった空間）」に集まっていることが多くあります。従来の線形手法では、折りたたまれた構造や曲がった構造を上手く平坦に伸ばして低次元化することが困難でした。多様体学習は、データ点同士の局所的な距離感や幾何学的な位置関係を維持しながらデータを展開するため、データの真の構造を捉えることができます。機械学習の前処理や特徴抽出において非常に重要な役割を果たします。
具体例・使われ方
例えば、スイスロールと呼ばれる巻き寿司状に巻かれた3次元データを2次元の平面に広げるイメージです。また、顔画像データから「顔の向き」や「表情の明るさ」といった本質的な変化の軸を低次元空間で抽出する用途や、複雑な遺伝子発現データの可視化などに用いられます。
似た用語との違い
代表的な線形次元削減手法である主成分分析との違いは、データ空間の曲がり（非線形性）に対応できるかどうかです。主成分分析は直線や平坦な平面にデータを投影しますが、多様体学習ではデータが描く曲面をそのまま捉えるため、非線形な構造を持つデータに対しても精度高く次元削減を行えます。
注意点
多様体学習の限界として、計算コストが大きく大規模データへの適用が難しい場合がある点が挙げられます。また、t-SNEやUMAPなどの具体的なアルゴリズムではハイパーパラメータ設定によって出力結果の見た目が大きく変わるため、距離感の解釈には注意が必要です。新しく追加されたデータ点に対する低次元化が難しく、ノイズに弱い側面もあります。