降维遇上网络科学：UMAP kNN图的感知分析
Dimensionality Reduction Meets Network Science: Sensemaking on UMAP’s kNN Graph
摘要
UMAP虽广泛用于高维数据探索，但常规流程仅关注其低维嵌入，忽略了其内部构建的k近邻（kNN）图。该图在原始高维空间编码数据流形，早于二维投影形变。研究展示该内部表示的潜力：将标准图算法应用于此图可增强数据理解，如PageRank识别代表性数据点，k-core分解揭示密集区域。
虽然UMAP被广泛用于探索高维数据，但典型的工作流程侧重于其低维嵌入，在很大程度上忽略了UMAP内部构建的丰富的k近邻（kNN）图。该图在原始高维空间中编码了数据流形，早于UMAP二维投影引入的形变。我们展示了这一内部表示未被开发的潜力，说明了将标准图算法应用于此图如何增强数据理解：（1）PageRank识别代表性数据点，（2）k-core分解揭示密集区域……
译自 Apple · ML Research · 录于 二〇二六年七月三十一日