自适应近邻图学习问题建模公式解析

内容出处：《多视角数据聚类研究》，作者王浩。

这张图片展示的是一个数学公式，它是一个优化问题的目标函数。这个目标函数由两部分组成：

• 第一部分是样本点之间的距离平方之和
• 第二部分是对所有样本点的类别标签进行L1范数惩罚。

这个公式通常用于聚类任务，特别是对于稀疏表示聚类（Sparse Representation Clustering, SRC）。

具体来说，这个公式可以这样解读：

• $$\sum _{i,j=1}^n\Vert x_i-x_j{\Vert }_2^2{s}_{ij}是第一部分，其中x_i和x_j分别代表矩阵X中的第i个和第j个列向量，s_{ij}表示X矩阵中第i个和第j个的列向量的相似性。这里求和的是所有样本点之间距离的平方(欧氏距离的计算公式，也就是L2范数)乘以其对应的相似性。$$

• $$\alpha \sum _{v=1}^m\sum _{i=1}^n\Vert s_i{\Vert }_1是第二部分，其中\alpha 是一个正则化参数，用来控制L1范数惩罚的程度；m是类别数量，n是样本数量；s_i表示S矩阵中的第i个列向量。这里求和的是所有类别列向量的L1范数，也就是所有类别列向量的绝对值之和。$$

整个目标函数是要找到一个最优的矩阵 s，使得样本点之间的距离平方之和尽可能小，同时类别列向量的 L1 范数尽可能大。这可以通过求解以下优化问题得到：

$$mi{n}_{s}f(s)=\sum _{i,j=1}^n\Vert x_i-x_j{\Vert }_2^2{s}_{ij}+\alpha \sum _{v=1}^m\sum _{i=1}^n\Vert s_i{\Vert }_1$$