mlx-vis: Apple Silicon 上的 GPU 原生降维
mlx-vis: GPU-Native Dimensionality Reduction on Apple Silicon
AI总结：
提出 mlx-vis 库，在 Apple Silicon 上利用 Metal GPU 实现七种降维方法和 k-近邻图构建，速度提升 3-13 倍，仅依赖 MLX 和 NumPy。
摘要：
降维是可视化高维数据的基础工具，但其参考实现分散在 CPU 绑定的 Python 包中，完全未使用 Apple Silicon 上的 Metal GPU。我们提出 mlx-vis，一个在纯 MLX 中重新实现七种广泛使用的降维方法和 k-近邻图构建的库，从 PCA 预处理到嵌入优化再到圆形溅射渲染器，每个阶段都在 GPU 上执行。在 Fashion-MNIST 70K 上，所有七种方法在 M3 Ultra 上嵌入时间为 2.1--4.6 秒，相比 CPU 基线实现了 3--13 倍的加速，同时将整个依赖栈减少到 MLX 和 NumPy。同样的流程可扩展到单个工作站上的千万个点。代码见 https://this URL。
英文摘要：
Dimensionality reduction is a foundational tool for visualizing high-dimensional data, yet its reference implementations span a fragmented stack of CPU-bound Python packages that leaves the Metal GPU on Apple Silicon entirely unused. We present mlx-vis, a library that reimplements seven widely used dimensionality reduction methods and k-nearest neighbor graph construction in pure MLX, with every stage -- from PCA preprocessing through embedding optimization to a circle-splatting renderer -- executing on GPU. On Fashion-MNIST 70K, all seven methods embed in 2.1--4.6 s on an M3 Ultra, achieving 3--13x speedups over CPU baselines while reducing the entire dependency stack to MLX and NumPy. The same pipeline scales to ten million points on a single workstation. Code at https://github.com/hanxiao/mlx-vis
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
