Graph Embedding学习笔记（2）：Laplacian Eigenmaps

最新推荐文章于 2022-07-03 22:00:14 发布
最新推荐文章于 2022-07-03 22:00:14 发布
阅读量823 收藏 2
点赞数
文章标签： 人工智能
原文链接：https://segmentfault.com/a/1190000016493147
版权

论文信息

M. Belkin and P. Niyogi, “Laplacian eigenmaps and spectral
techniques for embedding and clustering,” in NIPS, vol. 14, no. 14,
2001, pp. 585–591

笔记

Laplacian Matrix

对于下图：

clipboard.png

通过以下方式可以得到拉普拉斯矩阵：

clipboard.png

Laplacian Eigenmaps

基本思想：如果两个节点之间的关系比较紧密，那么embedding应该尽可能靠近。

clipboard.png

附录

拉普拉斯矩阵百度百科

降维方法

weixin_34306593
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
论文研究-数据降维方法分析与研究.pdf
07-22
全面总结现有的数据降维方法，对具有代表性的降维方法进行了系统分类，详细地阐述了典型的降维 方法，并从算法的时间复杂度和优缺点两方面对这些算法进行了深入的分析和比较。最后提出了数据降维中仍 待解决的问题。
laplacian eigenmaps matlab,关于拉普拉斯特征映射的代码，求解释参数意义
weixin_27956639的博客
03-23 366
function mappedX= LE(X, no_dims, k, sigma)%LAPLACIAN_EIGEN Performs non-linear dimensionality reduction using Laplacian Eigenmaps%% [mappedX, mapping] = laplacian_eigen(X, no_dims, k, sigma, eig_imp...
【流行学习】拉普拉斯映射（Laplacian Eigenmaps）
ｋ的博客
01-16 3435
一、前言 拉普拉斯特征映射是一种基于图的降维算法，它希望在原空间中相互间有相似关系的点，在降维后的空间中尽可能的靠近，从而在降维后仍能保持原有的数据结构信息。 二、主要步骤 拉普拉斯特征映射通过构建邻接矩阵为WWW（或叫相似矩阵）的图，来重构数据流形的局部结构特征。 主要思想是，如果两个数据样本 iii 和 jjj 很相似，那么 iii 和 jjj 在降维后子空间中应该与在原空间中一样，尽量接近。 假设数据实例的数目为 nnn，目标子空间的维数（即最终的降维目标的维度）为 mmm。定义 n×mn×mn×m
机器学习降维算法四：Laplacian Eigenmaps 拉普拉斯特征映射
weixin_34292287的博客
11-29 1237
如引用请务必注明此文出自：http://www.cnblogs.com/xbinworld 继续写一点经典的降维算法，前面介绍了PCA,LDA，LLE，这里讲一讲Laplacian Eigenmaps。 其实不是说每一个算法都比前面的好，而是每一个算法都是从不同角度去看问题，因此解决问题的思路是不一样的。这些降维算法的思想都很简单，却在有些方面很有效。这些方法事实上是后面一些新的算法的思...
Neighbor Embedding
莱尼的博客
03-23 871
PCA和Word Embedding介绍了线性降维的思想，而Neighbor Embedding要介绍的是非线性的降维。 Manifold Learning 样本点的分布可能是在高维空间里的一个流行(Manifold)，也就是说，样本点其实是分布在低维空间里面，只是被扭曲地塞到了一个高维空间里 地球的表面就是一个流行(Manifold)，它是一个二维的平面，但是被塞到了一个三维空间里 在Manifold中，只有距离很近的点欧氏距离(Euclidean Distance)才会成立，而在下图的S型曲面中，欧氏距
浅读各类图神经网络
tuanye9284的博客
11-19 417
浅读各类图神经网络 现在需要对非欧氏结构的数据进行建模，听说最近图神经网络这块火得很，所以找了各类不同的图神经网络进行对比和分析。 图神经网络的核心在于将图结构转化为向量，这个过程被称为嵌入(Embedding)，这是借鉴于自然语言处理中的Word2Vec，所以首先要对Word2Vec有初步的了解。 Efficient Estimation of Word Representations in V...
降维（二）----Laplacian Eigenmaps
热门推荐
blog
05-18 2万+
降维系列： 降维（一）----说说主成分分析(PCA)的源头降维（二）----Laplacian Eigenmaps ---------------------                   前一篇文章中介绍了主成分分析。PCA的降维原则是最小化投影损失，或者是最大化保留投影后数据的方差。在谈到其缺点的时候，我们说这一目标并不一定有助于数据的分类，换句话说，原本在高维空间中属
降维总结之Graph Laplacian，Laplacian EM
zwlq1314521的专栏
03-02 6766
接着写数据降维算法。上一篇文章介绍了 PCA, Factor Analysis, LLE 等三个算法, 按照顺序这篇文章就该讲到 Laplacian Eigenmaps 了,但是作者认为直接讲 Laplican Eigenmaps 好像有点太干了, 不太容易理解, 请允许我夹带点私货, 先从 Graph Laplacian 开始讲起 (graph Laplacian 是 graph theor
【Graph Embedding】DeepWalk：图嵌入的一颗手榴弹
01-07
今天学习的是纽约州立大学石溪分校在 NetWork Embedding 的工作《DeepWalk Online Learning of Social Representations》，这篇文章于 2014 年发表于 ACM 会议，目前已经有 2700 多引用，是第一个将 Word2Vec 应用到...
图神经网络推荐，graph embedding
12-15
图神经网络（Graph Neural Networks, GNN）是近年来在机器学习领域中兴起的一种重要技术，尤其在推荐系统、社交网络分析、化学分子结构研究等多个领域展现出强大的应用潜力。图embedding则是GNN的一个核心组成部分，...
python实现拉普拉斯特征图降维示例
09-18
今天小编就为大家分享一篇python实现拉普拉斯特征图降维示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
Recommender systems based on graph embedding techniques
09-22
电子科大《图嵌入推荐系统技术》综述论文，64页pdf422篇文献阐述图嵌入推荐技术进展 推荐系统是一种缓解信息超载问题的关键工具，旨在通过分析观察到的用户-商品关系，从数百万的候选商品中预测出用户喜欢的商品。...
GraphEMbedding_LINE.pdf
09-13
Graph Embedding LINE Graph Embedding 是一种将图形结构转换为低维向量空间的技术， LINE（Large-scale Information Network Embedding）则是一种专门为大规模信息网络设计的图嵌入方法。下面是对 LINE 的详细介绍...
Graph Embedding Survey
05-02
After that, we propose two taxonomies of graph embedding which correspond to what challenges exist in different graph embedding problem settings and how the existing work address these challenges in ...
Spectral Embedding/Clustering
robberM的专栏
06-05 7954
广义上来说，任何在算法中用到SVD/特征值分解的，都叫Spectral Algorithm。从很老很老的PCA/LDA， 到比较近的Spectral Embedding/Clustering，都属于这类。 三. 为什么要用SVD/特征值分解其实并不是为用而用，而是不得不用。目前在研究领域碰到的很多基础问题都是NP-hard的，找一个比较好的近似算法要费很大的精力；就算找到多项式的近似方法，
Spectral Clustering Algorithm
浴血重生-学习空间
12-14 2571
1. 什么叫Spectral Algorithm广义上来说，任何在算法中用到SVD/特征值分解的，都叫Spectral Algorithm。从很老很老的PCA/LDA，到比较近的Spectral Embedding/Clustering，都属于这类。 2. 为什么要用SVD/特征值分解其实并不是为用而用，而是不得不用。目前在研究领域碰到的很多基础问题都是NP-hard的，找一个比较好的近似算法要费很
拉普拉斯分布_理解拉普拉斯特征映射中的优化问题的约束条件
weixin_39998521的博客
11-20 694
引言：在学习拉普拉斯特征映射（Laplacian Eigenmaps, LE）的过程中，发现大多数参考资料仅列出了其中的最优化问题，然后直接过渡到特征值问题，对于该优化问题，特别是其中的约束条件解释的很少，不多的解释也很模糊。阅读过 LE 的原论文之后，将个人的理解整理如下。Laplacian eigenmaps and spectral techniques for embedding and ...
知识表示学习与图嵌入综述
qq_33290813的博客
07-03 2462
知识图谱表示学习对于知识获取和下游应用具有很重要的作用. 知识表示学习的表示空间包括：point-wise空间，流形空间，复数空间，高斯分布和离散空间. 打分函数通常分为基于距离的打分和基于语义匹配的打分函数. 编码模型包括：线性/双线性模型，张量分解和神经网络. 辅助信息考虑文本，视觉和类型信息.1.1.1 Point-wise空间 Point-wise的欧式空间是最常用的，将知识图谱中的实体和关系嵌入为向量或者矩阵空间，也有的捕捉关系交互. Point-wise方法包括基于翻译的方法TransE，需要满
图嵌入（拉普拉斯特征映射Laplacian Eigenmaps）
lxx333666的博客
12-04 4304
图嵌入（Graph embedding）的意义 Graph广泛存在于真实世界的多种场景中，即节点和边的集合。比如社交网络中人与人之间的联系，生物中蛋白质相互作用以及通信网络中的IP地址之间的通信等等。除此之外，我们最常见的一张图片、一个句子也可以抽象地看做是一个图模型的结构，图结构可以说是无处不在。通过对它们的分析，我们可以深入了解社会结构、语言和不同的交流模式，因此图一直是学界研究的热点。 图分析任务可以大致抽象为以下四类: ( a )节点分类：节点分类旨在基于其他标记的节点和网络拓扑来确定节点的标签(也
Graph Embedding I2I
最新发布
03-02
Graph Embedding I2I是一种用于图嵌入的技，其中I2I代表"Instance to Instance"。它的目标是将图中的节点映射到一个低维向量空间中，以便能够捕捉节点之间的语义和结构关系。 在Graph Embedding I2I中，每个节点被...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值