WikiDer > Полуопределенное вложение

Semidefinite embedding

Максимальное разворачивание дисперсии (MVU), также известный как Полуопределенное вложение (SDE), является алгоритм в Информатика который использует полуопределенное программирование выполнять уменьшение нелинейной размерности больших размеров векторный входные данные.^[1]^[2]^[3]

Это мотивировано тем наблюдением, что Анализ основных компонентов ядра (kPCA) не снижает размерность данных,^[4] поскольку он использует Уловка ядра для нелинейного отображения исходных данных в внутреннее пространство продукта.

Алгоритм

MVU создает отображение из входных векторов большой размерности в некоторое евклидово векторное пространство низкой размерности в следующих шагах:^[5]

А район график создан. Каждый вход связан со своими k-ближайшими входными векторами (согласно метрике евклидова расстояния), а все k-ближайшие соседи связаны друг с другом. Если данные отобраны достаточно хорошо, результирующий график является дискретной аппроксимацией лежащего в основе многообразия.
Граф окрестностей «разворачивается» с помощью полуопределенного программирования. Вместо того, чтобы изучать выходные векторы напрямую, полуопределенное программирование направлено на поиск внутренней матрицы произведения, которая максимизирует попарные расстояния между любыми двумя входами, которые не связаны в графе соседства, сохраняя при этом расстояния до ближайших соседей.
В конечном итоге низкоразмерное вложение получается применением многомерное масштабирование на выученной матрице внутреннего продукта.

Шаги применения полуопределенного программирования с последующим шагом уменьшения линейной размерности для восстановления низкоразмерного вложения в евклидово пространство были впервые предложены Linial, Лондон и Рабинович.^[6]

Формулировка оптимизации

Позволять ${ Displaystyle X , !}$ быть исходным вводом и ${ Displaystyle Y , !}$ быть вложением. Если ${ displaystyle i, j , !}$ являются двумя соседями, то необходимо выполнить ограничение локальной изометрии:^[7]^[8]^[9]

{ displaystyle | X_ {i} -X_ {j} | ^ {2} = | Y_ {i} -Y_ {j} | ^ {2} , !}

Позволять ${ Displaystyle G, K , !}$ быть Матрицы Грама из ${ Displaystyle X , !}$ и ${ Displaystyle Y , !}$ (то есть: ${ Displaystyle G_ {ij} = X_ {i} cdot X_ {j}, K_ {ij} = Y_ {i} cdot Y_ {j} , !}$ ). Мы можем выразить указанное выше ограничение для каждой соседней точки ${ displaystyle i, j , !}$ с точки зрения ${ Displaystyle G, K , !}$ :^[10]^[11]

{ displaystyle G_ {ii} + G_ {jj} -G_ {ij} -G_ {ji} = K_ {ii} + K_ {jj} -K_ {ij} -K_ {ji} , !}

Кроме того, мы также хотим ограничить вложение ${ Displaystyle Y , !}$ центрировать в начале координат:^[12]^[13]^[14]

${ displaystyle 0 = | sum _ {i} Y_ {i} | ^ {2} Leftrightarrow ( sum _ {i} Y_ {i}) cdot ( sum _ {i} Y_ {i}) Leftrightarrow sum _ {i, j} Y_ {i} cdot Y_ {j} Leftrightarrow sum _ {i, j} K_ {ij}}$

Как описано выше, за исключением того, что расстояния между соседними точками сохраняются, алгоритм стремится максимизировать попарное расстояние каждой пары точек. Максимизируемая целевая функция:^[15]^[16]^[17]

${ displaystyle T (Y) = { dfrac {1} {2N}} sum _ {i, j} | Y_ {i} -Y_ {j} | ^ {2}}$

Интуитивно, максимизация функции, описанной выше, эквивалентна оттягиванию точек как можно дальше друг от друга и, следовательно, «развертыванию» многообразия. Ограничение локальной изометрии ^[18]

Позволять ${ displaystyle tau = max { eta _ {ij} | Y_ {i} -Y_ {j} | ^ {2} } , !}$ куда ${ displaystyle eta _ {ij}: = { begin {cases} 1 & { mbox {if}} i { mbox {является соседом}} j 0 & { mbox {else}}. конец {case}}}$

предотвращает расхождение целевой функции (уход в бесконечность).

Поскольку на графике N точек, расстояние между любыми двумя точками ${ displaystyle | Y_ {i} -Y_ {j} | ^ {2} leq N tau , !}$ . Затем мы можем оценить целевую функцию следующим образом:^[19]^[20]

{ displaystyle T (Y) = { dfrac {1} {2N}} sum _ {i, j} | Y_ {i} -Y_ {j} | ^ {2} leq { dfrac {1} { 2N}} sum _ {i, j} (N tau) ^ {2} = { dfrac {N ^ {3} tau ^ {2}} {2}} , !}

Целевая функция может быть переписана чисто в виде матрицы Грама:^[21]^[22]^[23]

{ displaystyle { begin {align} T (Y) & {} = { dfrac {1} {2N}} sum _ {i, j} | Y_ {i} -Y_ {j} | ^ {2} & {} = { dfrac {1} {2N}} sum _ {i, j} (Y_ {i} ^ {2} + Y_ {j} ^ {2} -Y_ {i} cdot Y_ {j} -Y_ {j} cdot Y_ {i}) & {} = { dfrac {1} {2N}} ( sum _ {i, j} Y_ {i} ^ {2} + сумма _ {i, j} Y_ {j} ^ {2} - sum _ {i, j} Y_ {i} cdot Y_ {j} - sum _ {i, j} Y_ {j} cdot Y_ {i}) & {} = { dfrac {1} {2N}} ( sum _ {i, j} Y_ {i} ^ {2} + sum _ {i, j} Y_ {j} ^ {2} -0-0) & {} = { dfrac {1} {N}} ( sum _ {i} Y_ {i} ^ {2}) = { dfrac {1} {N }} (Tr (K)) конец {выровнено}} , !}

Наконец, оптимизацию можно сформулировать как:^[24]^[25]^[26]

${ displaystyle { begin {align} & { text {Maximize}} && Tr ( mathbf {K}) & { text {subject to}} && mathbf {K} successq 0, sum _ { ij} mathbf {K} _ {ij} = 0 & { text {and}} && G_ {ii} + G_ {jj} -G_ {ij} -G_ {ji} = K_ {ii} + K_ { jj} -K_ {ij} -K_ {ji}, forall i, j { mbox {where}} eta _ {ij} = 1, end {выравнивается}}}$

После матрицы Грама ${ Displaystyle К , !}$ изучается полуопределенным программированием, вывод ${ Displaystyle Y , !}$ можно получить через Разложение Холецкого.

В частности, матрица Грама может быть записана как ${ displaystyle K_ {ij} = sum _ { alpha = 1} ^ {N} ( lambda _ { alpha} V _ { alpha i} V _ { alpha j}) , !}$ куда ${ Displaystyle V _ { альфа я} , !}$ это i-й элемент собственного вектора ${ Displaystyle V _ { alpha} , !}$ собственного значения ${ displaystyle lambda _ { alpha} , !}$ .^[27]^[28]

Отсюда следует, что ${ Displaystyle альфа , !}$ -й элемент вывода ${ displaystyle Y_ {i} , !}$ является ${ displaystyle { sqrt { lambda _ { alpha}}} V _ { alpha i} , !}$ .^[29]^[30]

Смотрите также

Примечания

^ Вайнбергер, Ша и Саул 2004a
^ Вайнбергер и Сол 2004b
^ Вайнбергер и Сол, 2006 г.
^ Лоуренс 2012, стр. 1612
^ Вайнбергер, Ша и Саул 2004a, стр.7.
^ Линиал, Лондон и Рабинович 1995
^ Вайнбергер, Ша и Саул 2004a, стр. 3, уравнение 8
^ Вайнбергер и Сол 2004b, стр. 3, уравнение 2
^ Вайнбергер и Сол, 2006 г., стр. 4, уравнение 2
^ Вайнбергер, Ша и Саул 2004a, стр. 3, уравнение 9
^ Вайнбергер и Сол 2004b, стр. 3, уравнение 3
^ Вайнбергер, Ша и Саул 2004a, стр. 3, уравнение 6
^ Вайнбергер и Сол 2004b, стр. 3, уравнение 5
^ Вайнбергер и Сол, 2006 г., страница 5, уравнение 8
^ Вайнбергер, Ша и Саул 2004a, страница 4, уравнение 10
^ Вайнбергер и Сол 2004b, стр. 4, уравнение 6
^ Вайнбергер и Сол, 2006 г., страница 5, уравнение 4
^ Вайнбергер и Сол 2004b, стр. 4, уравнение 7
^ Вайнбергер и Сол 2004b, стр. 4, уравнение 8
^ Вайнбергер и Сол, 2006 г., стр. 5, уравнение 6
^ Вайнбергер, Ша и Саул 2004a, стр. 4, уравнение 11
^ Вайнбергер и Сол 2004b, стр. 4, уравнение 9
^ Вайнбергер и Сол, 2006 г., стр. 6, уравнения с 10 по 13
^ Вайнбергер, Ша и Саул 2004a, стр. 4, раздел 3.3
^ Вайнбергер и Сол 2004b, стр. 4, уравнение 9
^ Вайнбергер и Сол, 2006 г., стр. 6, уравнения с 10 по 13
^ Вайнбергер и Сол 2004b, страница 4, уравнение 10
^ Вайнбергер и Сол, 2006 г., страница 7, уравнения 14
^ Вайнбергер и Сол 2004b, стр. 4, уравнение 11
^ Вайнбергер и Сол, 2006 г., стр.7, уравнения 15

Дополнительный материал

Код MVU Matlab Килиана К. Вайнбергера

[1] Вайнбергер, Ша и Саул 2004a

[2] Вайнбергер и Сол 2004b

[3] Вайнбергер и Сол, 2006 г.

[4] Лоуренс 2012, стр. 1612

[5] Вайнбергер, Ша и Саул 2004a, стр.7.

[6] Линиал, Лондон и Рабинович 1995

[7] Вайнбергер, Ша и Саул 2004a, стр. 3, уравнение 8

[8] Вайнбергер и Сол 2004b, стр. 3, уравнение 2

[9] Вайнбергер и Сол, 2006 г., стр. 4, уравнение 2

[10] Вайнбергер, Ша и Саул 2004a, стр. 3, уравнение 9

[11] Вайнбергер и Сол 2004b, стр. 3, уравнение 3

[12] Вайнбергер, Ша и Саул 2004a, стр. 3, уравнение 6

[13] Вайнбергер и Сол 2004b, стр. 3, уравнение 5

[14] Вайнбергер и Сол, 2006 г., страница 5, уравнение 8

[15] Вайнбергер, Ша и Саул 2004a, страница 4, уравнение 10

[16] Вайнбергер и Сол 2004b, стр. 4, уравнение 6

[17] Вайнбергер и Сол, 2006 г., страница 5, уравнение 4

[18] Вайнбергер и Сол 2004b, стр. 4, уравнение 7

[19] Вайнбергер и Сол 2004b, стр. 4, уравнение 8

[20] Вайнбергер и Сол, 2006 г., стр. 5, уравнение 6

[21] Вайнбергер, Ша и Саул 2004a, стр. 4, уравнение 11

[22] Вайнбергер и Сол 2004b, стр. 4, уравнение 9

[23] Вайнбергер и Сол, 2006 г., стр. 6, уравнения с 10 по 13

[24] Вайнбергер, Ша и Саул 2004a, стр. 4, раздел 3.3

[25] Вайнбергер и Сол 2004b, стр. 4, уравнение 9

[26] Вайнбергер и Сол, 2006 г., стр. 6, уравнения с 10 по 13

[27] Вайнбергер и Сол 2004b, страница 4, уравнение 10

[28] Вайнбергер и Сол, 2006 г., страница 7, уравнения 14

[29] Вайнбергер и Сол 2004b, стр. 4, уравнение 11

[30] Вайнбергер и Сол, 2006 г., стр.7, уравнения 15

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]

[24]

[25]

[26]

[27]

[28]

[29]

[30]

Navigation