Este trabajo explora la aproximación neuronal para la reducción de dimensionalidad no lineal basada en representaciones internas de datos regulares organizados en gráficos. Los datos de entrenamiento se asumen como una muestra de un espacio de alta dimensionalidad con una variedad de baja dimensionalidad incrustada. Una función aproximada que consta de parámetros integrados adaptables se optimiza en función de las observaciones de entrenamiento dadas por el proceso de aprendizaje propuesto, y se verifica para la transformación de nuevas observaciones de prueba en imágenes en el espacio de salida de baja dimensionalidad. Las representaciones internas optimizadas esbozan los soportes organizados en gráficos de los grupos de datos distribuidos y sus imágenes representativas en el espacio de salida. Sobre esa base, la función aproximada puede operar para pruebas sin reservar las observaciones de entrenamiento originales masivas. El modelo de aproximación neuronal contiene múltiples módulos. Cada uno activa una salida distinta de cero para el mapeo en respuesta a una entrada dentro de su soporte local correspondiente. Los soportes de datos organizados en gráficos tienen interconexiones laterales para representar relaciones vecinas, inferir el camino mínimo entre centroides de dos soportes de datos y proponer restricciones de distancia para mapear todos los centroides a imágenes en el espacio de salida. Siguiendo el principio de preservación de distancia, este trabajo propone el aprendizaje de Levenberg-Marquardt para optimizar las imágenes de centroides en el espacio de salida sujeto a las restricciones de distancia dadas, y desarrolla además restricciones de incrustación local para el mapeo durante la fase de ejecución. Las simulaciones numéricas muestran que la aproximación neuronal propuesta es efectiva y confiable para la reducción de dimensionalidad no lineal.