Uniform Manifold Approximation and Projection

Реалните данни с много признаци често лежат върху много по-нискомерна извита повърхност или многообразие, вградено във високомерното пространство. UMAP се опитва да научи формата на тази повърхност от начина, по който точките се групират около своите съседи, след което я разгъва в две или три измерения, така че структурата да стане видима. В сравнение с t-SNE, той има тенденция да запазва повече от глобалната структура, като същевременно остава далеч по-бърз при големи набори от данни.