经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）...-CSDN博客

局部最大间距嵌入（Local Maximum Margin Embedding, LMME）是一种流形学习技术，它结合了局部保持投影（LPP）和最大间距准则（Maximum Margin Criterion, MMC）的优点。

LMME的目标是在降维过程中保持数据的局部结构，同时最大化不同类别之间的边缘（margin），以增强分类性能。

核心思想

LMME试图在低维嵌入空间中找到一个表示，该表示能够同时满足以下两个条件：

保持局部结构：确保数据点与其邻近点的关系在降维后得以保持。
增强判别能力：增大不同类别之间的距离，同时缩小同一类别内部的距离。

目标函数

LMME的目标函数可以表示为：

$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_学习方法$

其中：

$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_邻接矩阵_02$ 是投影矩阵，用于将原始数据 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_学习方法_03$
$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_学习_04$ 是类内散度矩阵，表示同一类别内部数据点的差异。
$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_特征值_05$ 是类间散度矩阵，表示不同类别之间数据点的差异。
$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_特征值_06$ 是正则化参数，用来平衡局部结构保持和判别信息增强之间的关系。

公式解析

类内散度矩阵 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_邻接矩阵_07$

类内散度矩阵 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_邻接矩阵_07$ 反映了同一类别内部数据点的分布情况。
在LMME中， $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_邻接矩阵_07$ 可以基于局部保持投影（LPP）的思想来构建，即通过邻接矩阵 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_embedding_10$ 和度矩阵 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_特征值_11$

$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_embedding_12$

其中：

$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_学习方法_13$ 是一个对角矩阵，其对角线元素为 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_邻接矩阵_14$
$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_邻接矩阵_14$ 是邻接矩阵，如果 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_学习_16$ 和 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_特征值_17$ 在局部邻域内，则 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_邻接矩阵_18$ ，否则 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_embedding_19$ 。

类间散度矩阵 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_邻接矩阵_20$

类间散度矩阵 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_邻接矩阵_20$ 则体现了不同类别之间的差异，其计算方式通常与线性判别分析（LDA）相似：

$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_embedding_22$

其中：

$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_embedding_23$ 是类别数。
$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_embedding_24$ 是第 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_学习_16$ 类的样本数量。
$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_学习_26$ 是第 $经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_学习_16$ 类的样本均值向量。
$经典子空间学习的多视图学习方法——局部最大间距嵌入（Local Maximum Margin Embedding, LMME）_embedding_28$ 是所有样本的总体均值向量。