📎 UMAP и наука о сетях: как граф kNN помогает понимать данные

Исследователи Apple ML Research предложили новый взгляд на UMAP — популярный метод визуализации многомерных данных. Обычно результаты сводятся к 2D-проекции, но внутренний граф k-ближайших соседей (kNN), который UMAP строит до проецирования, остаётся почти без внимания. Этот граф точно отражает структуру многообразия в исходном пространстве, без искажений, вносимых проекцией.

Авторы применили к этому графу стандартные алгоритмы теории графов: PageRank для выявления репрезентативных точек, k-ядерную декомпозицию для поиска плотных кластеров и другие методы. Результаты показывают, что такой подход даёт более глубокое понимание данных, чем просто смотр на 2D-картинку. Например, PageRank позволяет найти «типичные» объекты, а k-core выделяет устойчивые группы.

Практическая значимость – аналитики и исследователи получают дополнительный инструмент для сенсмейкинга, не требующий сложного тюнинга UMAP. Граф kNN уже построен – остаётся применить к нему классические алгоритмы.

#AI #UMAP #Science #Web #Internet #AppleML