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

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 clustering​papers.nips.cc

一句话结论

1. 约束条件
   起到
   消除缩放因子 和 防止特征映射退化到更低维的空间 两个作用。

2. 拉普拉斯特征映射等价的最优化问题应该为

这时解为

的

个最小的

非零特征值之和，

是对应的特征向量作为列构成的矩阵。

而不是各种资料中常见的

注：下文的阅读可能需要预先非常熟悉 LE 的计算过程。

拉普拉斯特征映射

以下简单的定义下符号：LE 将

个

维空间中近似流形上的数据

建成无向图，用（带权）邻接矩阵

表示它们之间的邻接关系。引入度数矩阵

和拉普拉斯矩阵

拉普拉斯矩阵半正定，且具有 <