什么是 拉普拉斯特征映射？
拉普拉斯特征映射是一种非线性降维方法，它构建加权邻域图，并以图拉普拉斯的低频特征向量作为坐标，使连接权重较大的样本在低维空间中保持接近。
快速了解
| 全称 | Laplacian Eigenmaps |
|---|---|
| 创建时间 | 由 Mikhail Belkin 与 Partha Niyogi 于 2001 年提出，期刊版本发表于 2003 年 |
| 规范文档 | 官方规范 |
工作原理
最小化图上的 Dirichlet Energy
设 Affinity Matrix 为 W、Degree Matrix 为 D、非归一化 Laplacian 为 L = D - W，Embedding 在尺度和中心约束下最小化 sum_ij W_ij ||y_i - y_j||^2。这会转化为广义特征值问题 L f = lambda D f；丢弃常数零模态后，后续特征向量构成坐标。
原始拉普拉斯特征映射论文把该离散目标与采样流形上的 Laplace-Beltrami Operator 和热流联系起来。这个渐近解释依赖采样量、Bandwidth、平滑性和连通性假设，有限数据并不自动满足。
把图构建与归一化当作模型选择
k 近邻图或 Radius Graph 决定哪些关系存在，Binary、Heat Kernel 或领域 Affinity 决定关系强度。特征缩放、距离度量、近似近邻 Recall、图对称化、Kernel Bandwidth 和孤立节点策略都会改变 Eigenspace。
断连图会产生多个零特征值。密度差异可能主导非归一化构造，而不同 Normalized Laplacian 回答的是相近但并不相同的问题。必须记录精确图约定，不能把所有谱坐标系统都称为同一种算法。
验证特征子空间、稳定性与部署边界
Eigenvector 可以翻转符号，近重特征值还允许在等价 Eigenspace 中旋转。评测应比较子空间、Neighborhood Trustworthiness、Graph-edge Distortion、Connected Component、扰动稳定性与下游效果，而不是给单个坐标轴附会语义。
当前 scikit-learn SpectralEmbedding 对拟合样本图实现 Laplacian Eigenmaps，却不提供标准的新样本 transform。生产系统需要明确的 Nyström 类扩展、另一个 Inductive Model，或版本化重建策略。
主要特点
- 从局部样本 Affinity 构建稀疏或稠密加权图
- 最小化图边两端坐标的加权差异
- 使用最小非平凡 Graph-Laplacian Eigenvector 作为坐标
- 依赖 Metric、邻域、权重、归一化与连通性
- 表示一个可发生符号翻转或轴旋转的特征子空间
- 通常是 Transductive，除非显式加入新样本扩展
常见用途
- 在局部图平滑性是目标不变量时嵌入样本
- 可视化图连接轨迹或弯曲邻域
- 为聚类或半监督分析生成谱特征
- 对比图几何、LLE、Isomap 与 Diffusion Coordinate
- 审计 Affinity 构建如何改变非线性表示
示例
Loading code...常见问题
拉普拉斯特征映射保留什么？
它最小化所选 Affinity Graph 中相连样本的坐标加权差异，因此偏好图上平滑坐标。它不保证保留全部两两距离、密度、拓扑、标签或全局朝向。
Laplacian Eigenmaps 与 Spectral Embedding 是什么关系？
Spectral Embedding 是 Laplacian Eigenmaps 常见的软件名称。不同实现仍可能采用不同 Affinity、Laplacian Normalization、Eigenvector Scaling、Solver 和断连分量策略，因此必须记录这些选择。
拉普拉斯特征映射与谱聚类有什么区别？
两者都使用 Graph-Laplacian Eigenspace。拉普拉斯特征映射返回连续表示坐标，谱聚类则对谱坐标行再执行独立的分组规则，生成离散 Cluster；可用的 Embedding 本身不能证明分区有效。
为什么修改邻居数量 k 会改变结果？
邻居数量会改变图边、节点度、连通分量、捷径风险和最终被分解的算子。应在预先规定的邻域范围及重采样条件下检查稳定性，而不是挑选视觉效果最好的一张图。
拉普拉斯特征映射能处理新样本吗？
经典方法是 Transductive，因为坐标是拟合图节点上的特征向量。Nyström Extension、Geometric Harmonics 或另训 Inductive Mapper 可以放置新样本，但都会增加假设，并需要留出集验证。