Хотя UMAP широко используется для исследования многомерных данных, типичные рабочие процессы сосредоточены на его низкоразмерной вложенности, практически игнорируя богатый граф k ближайших соседей (kNN), который UMAP строит внутри. Этот граф кодирует многообразие данных в его исходном высокоразмерном пространстве, до искажения, которое вносит 2D-проекция UMAP.

Авторы демонстрируют, как стандартные алгоритмы графов, примененные к этому внутреннему представлению, улучшают осмысление данных:

  • PageRank идентифицирует репрезентативные точки данных.
  • k-core декомпозиция выявляет плотные центральные области по сравнению с разреженной периферией.
  • Коэффициент кластеризации обнаруживает тесно связанные соседства с высокопохожими точками данных.

Через количественную и качественную оценку на MNIST и Fashion MNIST показано, что эти графовые анализы практичны и конкурентоспособны или дополняют специализированные методы, такие как k-medoids для выбора примеров и HDBSCAN для кластеризации на основе плотности.