[AI学术] UMAP的k近邻图：揭示高维数据的新视角

摘要

UMAP广泛应用于高维数据的探索，但典型的工作流程主要关注其低维嵌入，往往忽视了UMAP内部构建的丰富k近邻（kNN）图。该图在UMAP进行2D投影之前，编码了数据流形在原始高维空间中的结构。

我们展示了这一内部表示的未开发潜力，表明对该图应用标准图算法能够增强数据理解：

1. PageRank 识别代表性数据点；
2. k-core分解 揭示了稠密核心区域与稀疏边缘的区别；
3. 聚类系数 检测高度相似数据点的紧密邻域。

通过在MNIST和Fashion MNIST数据集上的定量和定性评估，我们证明这些基于图的分析不仅实用，而且在效果上与专门设计的方法（如k-medoids用于样本选择，HDBSCAN用于基于密度的聚类）相竞争或互补。

博主点评： 该研究深刻揭示了UMAP内部结构的价值，强调了利用图算法进行数据分析的重要性。这种方法不仅提升了数据理解的深度，也为数据科学家提供了新的工具以应对高维数据的复杂性。