把血型、地区、满意度等级塞进普通热图，就像硬给不同口味标上远近：颜色看似连续，实际可能制造并不存在的距离。cGAP 想解决的正是这类高维类别数据难看、也容易看错的问题。它不丢掉原始数据表，而是在表上补一层更容易辨认的结构。
关键一步是 HOMALS——一种为样本和类别寻找低维位置的方法。论文把它们放进三维空间，再将三个坐标映射为红、绿、蓝：回答模式相近的样本和类别，会呈现相近颜色。每个样本的位置又是其所选类别位置的平均，因此图上的颜色仍能追溯到原始回答。随后，cGAP 用排序算法重排行列，让相似样本和变量靠在一起，并配合样本、变量两张邻近矩阵，帮助显出成片结构、离群点和局部关联。
这套方法覆盖名义、有序和二元变量。作者用动物分类、哺乳动物牙齿、蘑菇记录和基因数据库作了展示。不过，三维颜色必然压缩信息；论文因此提供“保留变异比例”作为检查，提醒使用者先判断三维表示是否足够。