DLA起源之解
考虑一个样本集合X=[x1,x2...xN]，每个样本属于C个类中的一个。我们可以使用类似于PCA,LDA的线性降维方法将x由m维降至d维(m>d)。但是线性降维方法存在一些问题，例如LDA中的求逆运算，经常可能因为矩阵的奇异性是降维结果恶化。而这里介绍的DLA方法可以避免这个问题。对了忘了给DLA一个'名正言顺'的名字，全名就是'Discriminative Locality Alignment'。名字不是我取的，就不要取笑博主说取了这么难懂的名字了。
DLA三部曲
DLA的降维矩阵计算分为3个步骤：
- 为数据集中的每个样本 建立一个patch，这个patch主要是本样本及其neighbors构成，既有本类还有其它类的样本。可以这样认为，每个patch都包含了局部判别信息，称这个步骤为'part optimization'。
- margin degree可以看成是该样本在正确分类的贡献的多少的衡量尺度，贡献越大，重要性越高，称这个步骤为'sample weighting'。
- 最后一步称为'whole alignment'，是将所有的patch整合起来，求其最优化结果，得到降维矩阵。
Part Optimization
对于某个样本xi，我们选择k1个同类的最近邻样本[xi1,xi2,...xik1]，选择k2个非同类的最近邻样本[xi1,xi2,...xik2]，这样我们就构建了样本xi的patch：Xi=[xi,xi1,xi2,...xik1,xi1,xi2,...xik2]，对这个patch的降维结果，我们可以记为Yi=[yi,yi1,yi2,...yik1,yi1,yi2,...yik2]。讲到这里，突然想起了降维的目的，简化运算复杂度是其一，还有就是可以将不同的类分离这也是一个目的！！！所以这里我们也是希望，降维后Y中同类样本更近些，而与xi不同类样本离之远些。写成公式就是
argminyi∑j=1k1||yi−yij||2
argmaxyi∑p=1k2||yi−yip||2
将上面的两个公式整合在一起就得到了下面的公式
argminyi(∑j=1k1||yi−yij||2−β∑p=1k2||yi−yip||2)
其中的
β是一个尺度因子，取值范围
[0,1]将同类样本的系数
1和异类样本的系数
β构成一个系数向量
ω=[1,...1,−β,..−β]，于是上面那个公式可以用矩阵运算表示：
其中
ek1+k2=[1,...1]T的
k1+k2维列向量，
I是一个单位矩阵
所以最后可以计算出
Li矩阵如下：
Margin Degree
为了衡量一个样本的重要性，我们使用了margin degree这一概念。通常在机器学习中，一个样本的重要性并不是它能否更为正确的区分，相反是它的难分程度，越难区分则越重要。
在此处，我们通过在样本xi的周围画一个半径ξ大小的圈，圈中的非同类样本数为ni，则margin degree可以定义为
mi=exp(−1ni+δ)t
加入
mi后，前面的公式转为：
Whole Alignment
定义一个值为0-1的N∗(k1+k2+1)的矩阵Si，它用于从样本全集Y中找出Yi，即Yi=YSi,其中,(Si)pq=1ifp=Fiq
这样上面的式子又可以写成：
最终，整个数据集的优化变为了：
而对L矩阵的求解，可以用如下方法，(L初始化为N*N的0矩阵)：
最终我们的优化问题变为：求降维矩阵
U，使下式最小：
解决方法是求XLXTu=λu的前d个最小特征根对应的特征向量
最后推荐在使用DLA降维前，先使用PCA去除一些噪声。
