Meskipun UMAP banyak digunakan untuk mengeksplorasi data berdimensi tinggi, alur kerja tipikal berfokus pada embedding berdimensi rendahnya, yang sering kali mengabaikan grafik k-nearest-neighbor (kNN) yang kaya yang dibangun secara internal oleh UMAP. Grafik ini mengodekan manifold data dalam ruang berdimensi tinggi aslinya, sebelum distorsi yang diperkenalkan oleh proyeksi 2D dari UMAP.
Para penulis menunjukkan bagaimana algoritma grafik standar yang diterapkan pada representasi internal ini meningkatkan pemahaman data:
- PageRank mengidentifikasi titik data perwakilan.
- Dekomposisi k-core mengungkapkan wilayah inti yang padat versus periferi yang jarang.
- Koefisien klaster mendeteksi lingkungan tetangga yang erat dengan titik data yang sangat mirip.
Melalui evaluasi kuantitatif dan kualitatif pada MNIST dan Fashion MNIST, analisis berbasis grafik ini terbukti praktis dan kompetitif atau melengkapi metode khusus seperti k-medoids untuk pemilihan contoh dan HDBSCAN untuk klastering berbasis densitas.