设 G = ( V , E ) G=(V,E) G=(V,E)是一个无向图,邻接矩阵为 A ∈ R n × n A\in\mathbb{R}^{n\times n} A∈Rn×n,度矩阵为 D ∈ R n × n D\in\mathbb{R}^{n\times n} D∈Rn×n,拉普拉斯矩阵为 L = D − A L=D-A L=D−A,其中 n n n为图 G G G的顶点数。
邻接矩阵 A A A的二阶差分可以定义为 A 2 A^2 A2,即 A i j 2 = ∑ k = 1 n A i k A k j A^2_{ij}=\sum_{k=1}^nA_{ik}A_{kj} Aij2=∑k=1nAikAkj,表示从顶点 i i i到顶点 j j j的长度为2的路径数。类似地,拉普拉斯矩阵 L L L的二次型可以定义为 f ( x ) = x T L x = ∑ i , j = 1 n L i j x i x j f(x)=x^TLx=\sum_{i,j=1}^nL_{ij}x_ix_j f(x)=xTLx=∑i,j=1nLijxixj,其中 x ∈ R n x\in\mathbb{R}^n x∈Rn为向量。
现在我们来证明拉普拉斯矩阵的二次型是邻接矩阵上的二阶差分和函数。具体来说,我们需要证明:
f ( x ) = x T L x = ∑ i , j = 1 n ( A 2 ) i j ( x i − x j ) 2 f(x)=x^TLx=\sum_{i,j=1}^n(A^2)_{ij}(x_i-x_j)^2 f(x)=xTLx=i,j=1∑n(A2)ij(xi−xj)2
证明过程如下:
x T L x = x T ( D − A ) x & = x T D x − x T A x & = ∑ i = 1 n D i i x i 2 − ∑ i , j = 1 n A i j x i x j & = ∑ i , j = 1 n D i i x i 2 − ∑ i , j = 1 n D i i D j j ⋅ A i j D i i D j j ⋅ x i x j & = ∑ i , j = 1 n D i i D j j ⋅ ( δ i j − A i j D i i D j j ) ⋅ x i x j & = ∑ i , j = 1 n A i j 2 D i i D j j ( x i − x j ) 2 & = ∑ i , j = 1 n ( A 2 ) i j ( x i − x j ) 2 \begin{aligned}x^TLx&=x^T(D-A)x\&=x^TDx-x^TAx\&=\sum_{i=1}^nD_{ii}x_i^2-\sum_{i,j=1}^nA_{ij}x_ix_j\&=\sum_{i,j=1}^nD_{ii}x_i^2-\sum_{i,j=1}^n\sqrt{D_{ii}D_{jj}}\cdot\frac{A_{ij}}{\sqrt{D_{ii}D_{jj}}}\cdot x_ix_j\&=\sum_{i,j=1}^n\sqrt{D_{ii}D_{jj}}\cdot\left(\delta_{ij}-\frac{A_{ij}}{\sqrt{D_{ii}D_{jj}}}\right)\cdot x_ix_j\&=\sum_{i,j=1}^n\frac{A_{ij}^2}{D_{ii}D_{jj}}(x_i-x_j)^2\&=\sum_{i,j=1}^n(A^2)_{ij}(x_i-x_j)^2\end{aligned} xTLx=xT(D−A)x&=xTDx−xTAx&=i=1∑nDiixi2−i,j=1∑nAijxixj&=i,j=1∑nDiixi2−i,j=1∑nDiiDjj⋅DiiDjjAij⋅xixj&=i,j=1∑nDiiDjj⋅(δij−DiiDjjAij)⋅xixj&=i,j=1∑nDiiDjjAij2(xi−xj)2&=i,j=1∑n(A2)ij(xi−xj)2
其中, δ i j \delta_{ij} δij为Kronecker delta符号,当 i = j i=j i=j时取值为1,否则为0。
因此,我们证明了拉普拉斯矩阵的二次型是邻接矩阵上的二阶差分和函数,即 f ( x ) = x T L x = ∑ i , j = 1 n ( A 2 ) i j ( x i − x j ) 2 f(x)=x^TLx=\sum_{i,j=1}^n(A^2)_{ij}(x_i-x_j)^2 f(x)=xTLx=∑i,j=1n(A2)ij(xi−xj)2。这个结论的意义是,拉普拉斯矩阵的二次型可以看作是邻接矩阵上的二阶差分和函数,它可以用于表示顶点之间的差异或相似程度,从而可以用于聚类、降维、图像分割等任务。