虽然UMAP广泛用于探索高维数据，但典型的工作流程主要关注其低维嵌入，在很大程度上忽略了UMAP在内部构建的丰富的k近邻（kNN）图。该图在UMAP引入2D投影造成的失真之前，编码了原始高维空间中的数据流形。

作者展示了应用于此内部表示的标准图算法如何增强数据理解：

  • PageRank 识别代表性数据点。
  • k-core分解揭示密集核心区域与稀疏外围的对比。
  • 聚类系数检测具有高度相似数据点的紧密邻域。

通过对MNIST和Fashion MNIST进行的定量和定性评估表明，这些基于图的分析是实用的，并且与专为示例选择设计的k-medoids以及用于基于密度的聚类的HDBSCAN等方法相比具有竞争力或具有互补性。