Embora o UMAP seja amplamente usado para explorar dados de alta dimensão, os fluxos de trabalho típicos focam em sua incorporação de menor dimensão, negligenciando em grande parte o rico grafo de k-vizinhos mais próximos (kNN) que o UMAP constrói internamente. Este grafo codifica a variedade de dados em seu espaço original de alta dimensão, antes da distorção que a projeção 2D do UMAP introduz.
Os autores demonstram como algoritmos de grafos padrão aplicados a esta representação interna melhoram a interpretação de dados:
- PageRank identifica pontos de dados representativos.
- A decomposição k-core revela regiões centrais densas em comparação com uma periferia esparsa.
- O coeficiente de agrupamento detecta vizinhanças fortemente conectadas com pontos de dados altamente similares.
Através de avaliações quantitativas e qualitativas no MNIST e Fashion MNIST, mostra-se que essas análises baseadas em grafos são práticas e competitivas ou complementares a métodos específicos como k-medoids para seleção de exemplares e HDBSCAN para agrupamento baseado em densidade.