降维遇见网络科学：UMAP的kNN图上的意义构建
内容提要
UMAP内部构建的kNN图蕴含高维数据流形信息，但常被忽略。研究显示，对其应用PageRank、k-core分解和聚类系数等图算法，可分别识别代表性数据点、密集核心区与紧密邻域。在MNIST和Fashion MNIST上的评估表明，这些方法实用且与k-medoids、HDBSCAN等专用方法相当或互补，拓展了数据理解途径。
延伸解读
被忽视的kNN图：UMAP的隐藏宝藏
UMAP在降维过程中内部构建的kNN图，其实保留了高维空间中的流形结构，而常见的二维投影会引入失真。这项研究提醒我们，不要只盯着最终的二维散点图，kNN图本身蕴含着丰富的信息。通过PageRank、k-core分解和聚类系数等标准图算法，可以挖掘出代表性数据点、密集核心区和紧密邻域，为数据理解提供新的视角。
图算法与专用方法的互补性
研究在MNIST和Fashion MNIST上评估了基于kNN图的图分析方法，发现它们与k-medoids（用于选择代表性样本）和HDBSCAN（用于密度聚类）等专用方法相比，不仅实用，而且具有竞争力或互补性。这意味着，在数据探索中，可以结合这些图算法来补充传统方法，从而更全面地理解数据的内在结构。
实践启示：如何利用kNN图增强数据理解
对于数据科学家而言，这项研究提供了一个实用的思路：在UMAP降维后，不妨进一步分析其内部的kNN图。通过应用PageRank可以快速找到代表性数据点，k-core分解能揭示数据的核心与边缘，而聚类系数则有助于发现高度相似的紧密群体。这些方法无需额外训练，直接利用现有图算法即可，为数据探索提供了低成本、高效率的补充手段。
Q&A
UMAP的kNN图是什么？为什么它比二维投影更有信息量？
UMAP在降维过程中内部构建的kNN图（k近邻图）是在原始高维空间中编码数据流形，而二维投影会引入失真。因此，kNN图保留了更多原始数据的高维结构信息，比二维投影更有信息量。
如何利用PageRank算法在UMAP的kNN图上识别代表性数据点？
对UMAP的kNN图应用PageRank算法，可以识别出代表性数据点。PageRank值高的节点通常对应于数据集中具有代表性的点，这些点可以作为数据集的典型样本。
k-core分解在UMAP的kNN图上能揭示什么结构？
k-core分解可以揭示数据的密集核心区域与稀疏外围区域。通过k-core分解，可以识别出数据中紧密连接的核心部分，这些部分可能对应数据的主要簇或高密度区域。
聚类系数在UMAP的kNN图上有什么用途？
聚类系数可以检测紧密邻域，即数据点之间高度相似的区域。高聚类系数的节点通常位于紧密连接的邻域中，这些邻域可能代表数据中的局部结构或子簇。
在MNIST和Fashion MNIST上，基于kNN图的图算法与专用方法（如k-medoids、HDBSCAN）相比表现如何？
在MNIST和Fashion MNIST上的评估表明，基于kNN图的图算法（如PageRank、k-core分解、聚类系数）不仅实用，而且与专用方法（如k-medoids用于代表性点选择、HDBSCAN用于密度聚类）相当或互补。
为什么说UMAP的kNN图常被忽略？
因为典型的工作流程只关注UMAP产生的低维嵌入（如二维投影），而忽略了UMAP内部构建的kNN图。然而，这个图编码了原始高维空间的数据流形，具有未被充分利用的潜力。
