本文介绍了多种高维数据可视化技术，如LargeVis、TMAP、ShapeVis、PaCMAP和GTSNE，强调了保留局部和全局结构的重要性。这些方法在效率和效果上优于传统技术，适用于化学和生物等领域的数据分析。

UMAP是一种基于黎曼几何和代数拓扑的降维算法，具有优良的可视化质量和结构保留能力。本文探讨了多种降维方法，如近似UMAP、NeuroLens和SLISEMAP，强调保留局部与全局结构的重要性，并提出新的设计原则和算法，以提升机器学习模型的解释性和性能。

该论文提出了一种名为G-GNNs的新型模型，通过无监督预训练获取节点的全局结构和属性特征，并利用这些特征和原始网络属性提出了一种GNN的并行框架。该模型在平面图和属性图上进行了实验，并在三个标准评估图上表现出色，特别是在属性图学习方面，G-GNNs在Cora（84.31％）和Pubmed（80.95％）上建立了新的基准记录。