拉普拉斯矩阵/映射/聚类

末蓝、 2022-06-10 06:26 484阅读 0赞

[原文地址][Link 1]

拉普拉斯矩阵是个非常巧妙的东西，它是描述图的一种矩阵，在降维，分类，聚类等[机器学习][Link 2]的领域有很广泛的应用。

### 什么是拉普拉斯矩阵 ###

#### 拉普拉斯矩阵 ####

先说一下什么是拉普拉斯矩阵，英文名为Laplacian matrix，其具体形式得先从图说起，假设有个无向图如下所示，

![无向图][20150914132803093]  
　　其各个点之间的都有相应的边连接，我们用某个指标（这地方可以任意选择，比如欧氏距离、测地距离、或者高斯相似度等）来衡量两个点的相似度，表示为  W=∑wij ，没有边连接的其相似度自然为零，  W 是个对称矩阵；某个点的与所有点的相似度之和，表示为  D=dig(d);d=rowSum(W) ；  D 是个对角阵；我们的拉普拉斯矩阵则是  L=D−W

#### 拉普拉斯矩阵的性质 ####

性质：   
　　（1）L是半正定矩阵。   
　　（2）L的最小特值为0，对应特向为全1列向量。   
　　（3）对Lf=λDf有m个非负实特征值，0=λ1≤λ2≤...≤λm.   
　　（4）对于任意一个属于实向量f∈Rm，都有此公式成立：   
　　fTLf=12∑mi,j=1wij(fi−fj)2   
　　它又有什么用处呢？跟目标是有关系的，哈哈~   
　　证明如下：　　f为m∗1的实数列向量   
　　fTLf=fTDf−fTWf   
　　=fT∗dig(d)∗f−fTWf   
　　=∑mi=1dif2i−∑mj=1\[∑i=1fj∗wij\]fj   
　　因为∑mi,j=1fifjwij=∑mj=1\[∑mi=1fiwij\]yj所以   
　　=∑mi=1dif2i−∑mi,j=1fifjwij　　   
　　=12\[∑mi=1dif2i−2∑mi,j=1fifjwij\+∑mj=1djf2j\]   
　　=12∑mi,j=1wij(fi−fj)2

### 拉普拉斯特征映射 ###

拉普拉斯特征映射将处于流形上的数据，在尽量保留原数据间相似度的情况下，映射到低维下表示。   
　　其步骤如下：   
　　1. 构造近邻图（用近邻图图近似流形）   
　　　　1.1 近邻条件||xi−xj||2≤ϵ， xi表示第i个样本。   
　　　　1.2 K近邻   
　　2. 计算边权重（即样本间相似度）   
　　　　2.1 热核 wij=⎧⎩⎨exp(−||xi−xj||2t)0节点i与j相连不相连   
　　　　2.2 简单形式wij=\{ 10xi与xj相连不相连   
　　3. 特征映射   
　　　　求解Lf=λDf；广义特征值问题。   
　　　　得到解如下：（特向和特值）   
　　　　\{ Lf0=λ0Df0;Lf1=λ1Df1;...Lfm=λmDfm0=λ0≤λ1≤...≤λm   
　　　　取小的前k个f来嵌入到k维欧氏空间里。   
　　　　xi−>(f1(xi),f2(xi),...,fk(xi))   
　　至于为神马min\[∑mi,j=1wij∗||yi−yj||2等价于tr(YTLY)\]，愣是没有看出所以然来，哎~   
　　倒腾了一大通，终于把为什么目标min\[∑mi,j=1wij||Si−Sj||2\]等价于min\[yTLy\]给搞明白了。y∈Rm   
　　具体解释如下图所示：（左侧是基本思路，中间是核心推导，右侧是直观理解）

![拉普拉斯映射推导][20150914110256042]  
　　但是 还有个问题没有解决 ，就是为什么  min(yTLy) 等价于  min\[tr(yTLy)\] ，并且转换成立找最小的广义特征值  Ly=λDy ？   
　　 只能从直觉上理解 ，  yTLy 可以化为  λ1z21\+λ2z22\+...\+λmz2m 的样子，最小化这个平方和的式子，也就是最小化其系数和，也就是最小化特值，也就是找对应特向。拉普拉斯矩阵是实对称矩阵，不同特值对应正交特向，可以通过正交变换（此处用到了特向）得到形如平方和的标准二次型。   
　　为什么是用广义特征值  Ly=λDy 没有搞懂，囧？   
　　 拉普拉斯映射就是直接在低维下找到样本，使得所有样本保持原来的相似度。

### 应用于降维 ###

求解广义特征向量，取前几个非零最小特值对应的特向，即为原数据在低维下的表示。

### 应用于聚类 ###

三个概念：   
　　（1）对于邻接矩阵，定义图中A子图与B子图之间的所有边的权重之和为：W(A,B)=∑i∈A,j∈BWij   
　　W为所有边的权重，及样本间相似度矩阵。   
　　（2）与某点的所有边的权重和定义为该顶点的度di=∑mj=1Wij   
　　（3）Graph Cut，就是把一个图的一些边切断，把一个图变为若干独立的子图，而这些被切断的边的权重之和称为Cut值。   
　　对于如下图，我们想找到某个割把整个图分成两个子图。

![谱聚类][20150914132838012]  
　　  Cut(A,B)=∑i∈A,j∈Bwij    
　　上面的割会把孤立节点分割出来，为避免这种情况，出现了RatioCut以及NormalizedCut：   
　　  RatioCut=cut(A,B)|A|\+cut(A,B)|B|    
　　  NCut=cut(A,B)vol(A)\+cut(A,B)vol(B)    
　　其中  |A| 表示  A 中节点的数目，  vol(A)=∑i∈Awij ，此两者都可以算作 A的大小的一种度量 。   
　　 谱聚类，由最小割入手，转换到最小化二次型求解，其中包含了拉普拉斯映射降维的思想。    
　　例如，取  qi=\{ c1c2i∈Ai∈B    
　　则  Cut(A,B)=∑i∈A,j∈Bwij    
　　  ∝∑mi=1∑mj=1wij(qi−qj)2=qTLq 这里跟上面的一样了。这里做了 松弛处理 ， 即q不再是取值为某两个值了，而是任意实数 。   
　　Rayleigh quotient(瑞利商)  R(L,q)=qTLqqTq    
　　其最大值和最小值分别等于矩阵  L 最大和最小的特值分别对应的特向。   
　　因此，最小化割问题，也就变成了找  L 的非零最小特值对应特向的问题了。求解特向：  Lq=λq ，排序特值，选择特向，传统聚类方法开搞。   
　　我们想把原图分成两个子图，肯定找到一个最小割对应的特向即可，那么要是想分成3个子图，那就需要最小割和次小割所对应的特向解即可。（这个地方这样理解会直观一些， 最小割对应的特向是降维后包含分割为两个子图的信息，而最小割加次小割对应的特向则是包含分割为3个子图的信息） 聚几类，则取前几个最小非零特值对应的特向的意义就在于此。   
　　 谱图理论需要找个时间看看。

### 小结 ###

1）拉普拉斯矩阵是一种图的矩阵表示。   
　　2）拉普拉斯映射是在保持原流形数据相似度的情况下，直接降维到低维空间。   
　　3）谱聚类是通过最小割，刚好借助了拉普拉斯映射的思想，从而用携带切割信息的特向来表征原流形数据，再去聚类。（相比于传统聚类，谱聚类更侧重于数据相似度信息的保留，更具有针对性，计算效率也更高）   
　　三者紧密联系，又不能混为一谈。   
几个参考：   
1）化二次型为标准型   
[http://student.zjzk.cn/course\_ware/web-gcsx/gcsx/chapter5/chapter5\_2\_1.htm][http_student.zjzk.cn_course_ware_web-gcsx_gcsx_chapter5_chapter5_2_1.htm]   
2）一个关于拉普拉斯矩阵的博客   
[http://blog.sciencenet.cn/blog-261330-751483.html][http_blog.sciencenet.cn_blog-261330-751483.html]   
3）一个谱聚类的博客   
[http://blog.pluskid.org/?p=287][http_blog.pluskid.org_p_287]   
4）广义特征值的介绍   
[http://webcache.googleusercontent.com/search?q=cache:\_85fSHsIv3MJ:https://zh.wikipedia.org/zh-cn/%25E7%2589%25B9%25E5%25BE%2581%25E5%2590%2591%25E9%2587%258F+&cd=1&hl=zh-CN&ct=clnk&gl=cn&lr=lang\_en%7Clang\_zh-CN%7Clang\_zh-TW][http_webcache.googleusercontent.com_search_q_cache_85fSHsIv3MJ_https_zh.wikipedia.org_zh-cn_25E7_2589_25B9_25E5_25BE_2581_25E5_2590_2591_25E9_2587_258F_cd_1_hl_zh-CN_ct_clnk_gl_cn_lr_lang_en_7Clang_zh-CN_7Clang_zh-TW]

[Link 1]: http://blog.csdn.net/yujianmin1990/article/details/48420483
[Link 2]: http://lib.csdn.net/base/machinelearning
[20150914132803093]: /images/20220610/06446920f6f3437e9f64415294055b55.png
[20150914110256042]: /images/20220610/e635af875a9b43c68b593a9687ac3218.png
[20150914132838012]: /images/20220610/59164b97f2cd48abb67a4f666f07ebcf.png
[http_student.zjzk.cn_course_ware_web-gcsx_gcsx_chapter5_chapter5_2_1.htm]: http://student.zjzk.cn/course_ware/web-gcsx/gcsx/chapter5/chapter5_2_1.htm
[http_blog.sciencenet.cn_blog-261330-751483.html]: http://blog.sciencenet.cn/blog-261330-751483.html
[http_blog.pluskid.org_p_287]: http://blog.pluskid.org/?p=287
[http_webcache.googleusercontent.com_search_q_cache_85fSHsIv3MJ_https_zh.wikipedia.org_zh-cn_25E7_2589_25B9_25E5_25BE_2581_25E5_2590_2591_25E9_2587_258F_cd_1_hl_zh-CN_ct_clnk_gl_cn_lr_lang_en_7Clang_zh-CN_7Clang_zh-TW]: http://webcache.googleusercontent.com/search?q=cache:_85fSHsIv3MJ:https://zh.wikipedia.org/zh-cn/%25E7%2589%25B9%25E5%25BE%2581%25E5%2590%2591%25E9%2587%258F+&cd=1&hl=zh-CN&ct=clnk&gl=cn&lr=lang_en%7Clang_zh-CN%7Clang_zh-TW