拉普拉斯特征映射
与之前一样,L = D − W . 看到这个,注意 W
ij
是对称的并且 D
ii
=
j
W
ji
。因此
ij
(y
i
− y
j
)
2
W
ij
也可以写成如下:
i,j
(y
2
i
+ y
2
j
− 2y
i
y
j
)W
ij
=
i
y
2
i
D
ii
+
j
y
2
j
D
jj
− 2
i,j
y
i
y
j
W
ij
= 2y
T
Ly (5)
因此,最小化问题减小到寻找 argmin
2y
T
Dy=1
2y
T
Ly. 约束 y
T
Dy = 1 移除嵌入中的任意缩放因子。矩
阵 D 提供了对图形顶点的自然度量。由式 4 可知,L 是一个半正定矩阵,使目标函数最小的向量 y 由
广义特征值问题 Ly = λDy 的最小特征值解给出.
设 1 是在每个顶点取 1 的常数函数。很容易看出 1 是特征向量的特征值为 0。如果图是连通的,1
是当 λ = 0 时唯一的特征向量。为了消去这个不重要的点将会引起 G 上的顶点为 1 时的坍塌,我们增
加了正交性的约束条件得到:
y
opt
= argmin
y
T
Dy=1,y
T
D1=0
y
T
Ly (6)
因此,解 y
opt
由所给出的最小非零特征值所对应的特征向量,更一般地,图嵌入 R
m
(m > 1) 由
n × m 矩阵 Y = [y
1
, y
2
, . . . , y
m
] 给出。其中第 i 行,由 Y
T
i
表示,提供了第 i 个顶点的嵌入坐标。因此
我们需要最小化
i,j
∥ Y
i
− Y
j
∥
2
W
ij
= tr(y
T
Ly) (7)
简化为
Y
opt
= argmin
Y
T
DY =1
tr(y
T
Ly) (8)
对于一维的嵌入问题,约束条件避免了倒塌到一个点上。对于 m 维的嵌入问题,约束避免了子空间的
维数坍塌少于 m。
(1) 拉普拉斯贝尔特拉米算子
拉普拉斯图与流形上的帕普拉斯贝尔特拉米算子是类似的。
考虑到嵌入到 R
k
上的 m 维流形 M。流形上的黎曼结构 (度量张量) 是由 R
k
上的标准黎曼结构
导出的。假设我们有一个映射 f : M → R。梯度 ∇f (x)(在局部坐标下可以写成 ∇f (x) =
n
i=1
∂f
∂x
i
∂
x
i
)
是流形上的向量场,类似于 δx(在局部坐标图中).
|f(x + δx) − f(x)| ≈ |⟨∇f(x), δx⟩| ⩽∥ ∇f (x) ∥∥ δx ∥ (9)
因此我们知道如果 ∥ ∇f (x) ∥ 很小的时候,x 点附近的邻点将会映射到 f(x) 附近。因此,我们通过寻
找一种平均上最能保持局部性的映射
argmin
∥f∥
L
2
(M)
=1
M
∥ ∇f(x) ∥
2
(10)
最小化
M
∥ ∇f(x) ∥
2
与最小化在图上 Lf =
1
2
ij
(f
i
− f
j
)
2
W
ij
是一致的。最小化梯度的平方变为找
拉布拉斯贝尔特拉米算子的特征方程 L . L = div∇f(x),div 是散度。根据 Stokes 定理,-div 和 ∇ 是
形式上的伴随算子,即如果 f 是一个函数,X 是一个向量场,那么
M
⟨X, ∇f⟩ =
M
div(X)f. 因此
M
∥ ∇f ∥
2
=
M
L(f)f (11)
我们知道,L 是一个正半定的并且最小化了
M
∥ ∇f ∥
2
的 f 必须是 L 的特征函数.
4