Skip to content

14.9 非线性降维和局部多维缩放

原文 The Elements of Statistical Learning
翻译 szcf-weiya
发布 2016-09-30
更新 2020-02-20 15:46:34
状态 Done

最近有人提出了一些用于非线性降维的方法,类似主曲面的思想.想法是将数据看成位于一个嵌在高维空间中的 固有低维非线性流形 (intrinsically low-dimensional nonlinear manifold) 的附近.这些方法可以看成是“压扁(flattening)”流形,因此将数据降低至低维坐标系统中,用于表示点在流形中的相对位置.在信噪比非常高的问题中非常有用(比如,物理系统),而且对于有低信噪比的观测数据不是很有用.

基本的目标在图 14.44 的左图中进行了说明.数据落在有较大曲率的抛物线附近.经典的 MDS 不能保持沿着这条曲线的点的顺序,因为它会将处于曲线两端的点看成离得非常近.右图显示了 局部多维缩放 (local multi-dimensional scaling, Local MDS) 的结果,我们将在下面讨论非线性多维缩放的三个方法中的其中一个.这些方法仅仅使用 $p$ 维中点的坐标,不需要流形的其它信息.局部多维缩放 能够很好地保持沿着曲线的点的顺序.

我们将简短地介绍用作非线性降维和流形映射的三个新方法.

等距特征映射算法 (Isometric feature mapping, ISOMAP) (Tenenbaum et al. 20001) 构造了一个图来近似沿着流形的点之间的测地线距离.具体地,对每个数据点,我们找到其邻居——距该点的某个欧式距离范围内的点.我们构造任意两个邻居点间用边相连的图.任意两点的测地线距离则用图中点的最短路径来近似.最终,对图的距离应用经典缩放,来得到低维映射.

局部线性内嵌 (Local linear embedding, LLE)(Roweis and Saul, 20002)采用完全不同的方式,它试图保持高维数据的局部仿射结构.每个数据点用邻居点的线性组合来近似.于是通过寻找保持局部近似的最优方式构造低维表示.细节非常有趣,所以在这里给出:

  1. 对每个 $p$ 维中的数据点 $x_i$,寻找欧式距离意义下的 $K$ 最近邻点 $\cal N(i)$.
  2. 对每个点用邻居点的混合仿射来近似 其中权重 $w_{ik}$ 满足 $w_{ik}=0, k\not\in \cal N(i), \sum_{k=1}^Nw_{ik}=1$.$w_{ik}$ 是点 $k$ 对 $i$ 点的重构的贡献.注意到为了得到唯一解,我们必须要求 $K < p$.
  3. 最后,固定 $w_{ik}$,在 $d < p$ 维空间中寻找点 $y_i$ 来最小化

在第三步,我们最小化

其中 $\W$ 是 $N\times N$; $\Y$ 是 $N\times d, d < p$.$\hat \Y$ 的解是 $\M=(\I-\W)^T(\I-\W)$ 的 尾特征向量 (trailing eigenvectors).因为 $\1$ 是特征值为 0 的平凡特征向量,所以我们舍弃它并且保留接下来的 $d$ 个.这会产生额外的影响 $\1^T\Y=0$,因此嵌入坐标的均值为0.

weiya 注:

这里的尾特征向量除去了特征值为 0 的平凡特征向量 $\1$,而因为特征向量间正交,所以有 $\1^T\Y=0$.

局部多维缩放 (Local MDS)(Chen and Buja, 20083)采用最简单的、而且可以说是最直接的方式.定义 $\cal N$ 为邻居点的对称集;具体地,如果点 $i$ 在 $i’$ 的 $K$ 最近邻中,则点对 $(i, i’)$ 在 $\cal N$ 中,反过来也是如此.

weiya 注

14.7节中的谱聚类的 mutual K-nearest-neighbor graph 也有用到 $\cal N$.

于是我们构造压力函数

这里 $D$ 是某个较大的常数,$w$ 是权重.想法是将不是邻居的点看成是距离非常远;这些点对被赋予小权重 $w$ 使得它们不会主导整个压力函数.为了简化表达式,取 $w\sim 1/D$,并令 $D\rightarrow \infty$.展开式 \eqref{14.105},得到

其中 $\tau =2wD$.式 \eqref{14.106} 试图保持数据的局部性质,而第二项促使非邻居对 $(i, i’)$ 的 $z_i,z_{i’}$ 更远.局部多维缩放在固定邻居个数 $K$ 以及调整参数 $\tau$ 的情况下,在 $z_i$ 上最小化压力函数 \eqref{14.106}.

图 14.44 的右图显示了采用 $k=2$ 个邻居和 $\tau = 0.01$ 的局部多维缩放的结果.我们采用多个起始值的 坐标下降 (coordinate descent) 来寻找(非凸)损失函数一个好的最小值.沿着曲线的点的顺序大部分都被保持了.

图 14.45 显示了 LLE 方法的一个有趣的应用.数据包含 1965 张图象,数字化为 $20\times 28$ 的灰白图象.图中展示了 LLE 的前两个坐标结果,它们解释了摆放位置以及表情的一些变异.类似的图象可以通过局部多维缩放得到.

原书脚注:

Sam Roweis 和 Lawrence Saul 友好地提供了图 14.45.

在 Chen and Buja(2008)3 报告的实验中,局部多维缩放与 ISOMAP 和 LLE 相比表现得更好.他们也演示了局部多维缩放在图象布局方面很有用的应用.有些方法与这里讨论的方法有着紧密的联系,如谱聚类(14.5.3 节)和核主成分(14.5.4 节).


  1. Tenenbaum, J. B., de Silva, V. and Langford, J. C. (2000). A global geometric framework for nonlinear dimensionality reduction, Science 290: 2319–2323. 

  2. Roweis, S. T. and Saul, L. K. (2000). Locally linear embedding, Science 290: 2323–2326. 

  3. Chen, L. and Buja, A. (2008). Local multidimensional scaling for nonlinear dimension reduction, graph drawing and proximity analysis, Journal of the American Statistical Association. 

Comments