本研究は，高次元データの階層構造を 2次元データの階層構造として間接的に得るための手法を 提案し，人工データを用いて提案手法の有効性を示す. 以下に具体的な処理を説明する.
まず高次元データをNeuroScaleという RBFネットワークを用いて写像する.ただしNeuroScaleは 通常のRBFとは異なり，コスト関数を持つ. このコスト関数は RBFネットワークにより高次元データを低次元データに写像したとき， 写像前のデータを教師信号，写像後のデータを入力信号として その二乗誤差が小さくなるように，結合加重を学習する. よって学習後の結合加重を用いて，高次元データを低次元に写像したとき， 高次元空間内でのデータの位相構造が低次元空間のデータにおいても保存されている. 本研究では，WWWデータを扱うことを前提としているので， 特に2次元空間に注目する.2次元空間への写像の利点は， 人間に対して視覚的に情報を与えることも可能になることであり， ヒューマンインターフェースへの応用からも重要である.
次に2次元データに写像されたものをクラスタリングする. クラスタリングアルゴリズムには，分割操作を伴ったEMアルゴリズムを適用する. 一般に，WWWデータのようなリアルデータは異方異分散クラスタとして 存在していると考えるのが自然である. そうすると，例えばk-means法のような等方等分散のクラスタを仮定した アルゴリズムは不適当である.EMアルゴリズムは，推定するパラメータの中に 分散も含んでいるので，WWWデータのクラスタリングに 適していると思われる.
最後にEMアルゴリズムで得られたクラスタを階層構造における葉とみなし， 葉同士を併合していく.
以上の処理を高次元データに対して施すことで，高次元データの 階層構造を2次元空間の階層構造として間接的に得ることができる.