بينما يُستخدم UUMAP على نطاق واسع لاستكشاف البيانات عالية الأبعاد، تركز سير العمل النموذجية على تضمينها منخفض الأبعاد، متجاهلةً إلى حد كبير الرسم البياني الغني لأقرب الجيران (kNN) الذي يبنيه UMAP داخليًا. يشفر هذا الرسم البياني متعدد الشعب للبيانات في فضاءه الأصلي عالي الأبعاد، قبل التشويه الذي تقدمه الإسقاط ثنائي الأبعاد الخاص بـ UMAP.
يوضح المؤلفون كيف تعزز الخوارزميات القياسية للرسم البياني المطبقة على هذا التمثيل الداخلي فهم البيانات:
- يحدد PageRank نقاط البيانات الممثلة.
- يكشف تحليل k-core عن المناطق المركزية الكثيفة مقابل الأطراف المتفرقة.
- يكتشف معامل التجميع الأحياء المتقاربة ذات نقاط البيانات شديدة التشابه.
من خلال التقييم الكمي والنوعي على MNIST وFashion MNIST، تبين أن هذه التحليلات القائمة على الرسوم البيانية عملية وتنافسية أو مكملة للطرق المصممة خصيصًا مثل k-medoids لاختيار الأمثلة وHDBSCAN للتجميع القائم على الكثافة.