Dimensionaliteitsreductie (DR) wordt breed toegepast om data te condenseren om vervolgens machine-learning algoritmen toe te kunnen passen of de high-level structuur van data te ontdekken door middel van het visualiseren van laag-dimensionele afbeeldingen. Bestaande DR-technieken zoals t-SNE en UMAP garanderen niet dat de topologische structuur van de data in de hoog-dimensionele ruimte accuraat wordt afgebeeld. Topologische afbeeldingsmethoden trachten de underliggende structuur zo goed mogelijk te modelleren, maar zij blijven een zwarte doos naar de gebruiker toe en faciliteren geen interactieve exploratie. In dit project richten we ons op het ontwikkelen van DR-methoden om de data op een sjabloon van een laag-dimensionele vorm te passen, op een interactieve manier. Hiertoe formaliseren wij de notie van vormsjablonen en onderzoeken wij hoe die automatisch uit data geleerd kunnen worden. We integreren het gebruik van vormsjablonen in bestaande DR-methoden en ontwerpen mechanismen voor feedback om te evalueren of de data goed aansluit bij het sjabloon. De interactieve stijl kan gebruikt worden om inzicht te verwerven in de hoog-dimensionele vorm van de data, die verborgen zou blijven wanneer slechts een onveranderlijke afbeelding uit bestaande methoden wordt gebruikt.