بينما يُستخدم UUMAP على نطاق واسع لاستكشاف البيانات عالية الأبعاد، تركز سير العمل النموذجية على تضمينها منخفض الأبعاد، متجاهلةً إلى حد كبير رسم الشبكة الأقرب جيران-k (kNN) الغني الذي يبنيه UMAP داخليًا. يشفر هذا الرسم manifold البيانات في فضاءها عالي الأبعاد الأصلي، قبل التشويه الذي تقدمه الإسقاط ثنائي الأبعاد الخاص بـ UMAP.
يوضح المؤلفون كيف تعزز الخوارزميات القياسية للرسوم البيانية المطبقة على هذا التمثيل الداخلي فهم البيانات:
- يحدد PageRank نقاط البيانات الممثلة.
- يكشف تفكيك k-core عن المناطق الأساسية الكثيفة مقابل الأطراف المتفرقة.
- يكتشف معامل التجميع الأحياء المتقاربة ذات نقاط البيانات شديدة التشابه.
من خلال التقييم الكمي والنوعي على MNIST و Fashion MNIST، تظهر الدراسة أن هذه التحليلات القائمة على الرسوم البيانية ليست عملية فحسب، بل تنافسية أيضًا أو مكملة للطرق المصممة خصيصًا مثل k-medoids لاختيار الأمثلة و HDBSCAN للتجميع القائم على الكثافة.