Basierend auf dem Verfahren der Self-Organizing Map wurden 3 Verfahren vorgestellt, welche den Anwender in der Analyse hochdimensionaler Daten unterstützen, indem sie die Ermittlung von Clustergrenzen bzw. Inter-Cluster-Relationships erleichtern.
Beim Ansatz der Adaptiven Koordinaten wird versucht, die Bewegung der Gewichtsvektoren im hochdimensionalen Datenraum während des Lernprozesses in einem 2-dimensionalen Ausgaberaum nachzuvollziehen. Nach Abschluß des Lernverfahrens lassen sich Cluster in den Eingabedaten als enge Gruppierungen von Knoten des Netzwerkes erkennen, während die Ähnlichkeit zwischen Clustern durch den jeweiligen Abstand der einzelnen Gruppen charakterisiert wird. Die beiden Verfahren der Distance Connections bzw. des 3-dimensionalen User-Interfaces nutzen die Distanzen der Gewichtsvektoren benachbarter Knoten, um deren Ähnlichkeit in Form von verbundenen Gittern oder als 3-dimensionale Landschaft darzustellen, welche sich interaktiv durchwandern läßt.
Im Gegensatz zu anderen Verfahren wird bei diesen Ansätzen die hohe Stabilität des Standard-Lernverfahrens der SOM nicht beeinträchtigt, da keine Modifikationen am Trainigsprozeß vorgenommen werden. Daher lassen sich alle drei genannten Verfahren mit der Standarddarstellung kombinieren, um bestmöglichen Einblick in komplexe Datenräume zu gewinnen. Die Erfahrung und die Ergebnisse, die bereits im Einsatz mit SOMs gewonnen wurden, können so weiter verwendet bzw. ihre Aussagekraft durch Hinzunahme der erweiterten Visualisierungsmethoden gesteigert werden.