graph Laplacian 拉普拉斯矩阵

转自:https://www.kechuang.org/t/84022?page=0&highlight=859356,感谢分享!

在机器学习、多维信号处理等领域,凡涉及到图论的地方,相信小伙伴们总能遇到和拉普拉斯矩阵和其特征值有关的大怪兽。哪怕过了这一关,回想起来也常常一脸懵逼,拉普拉斯矩阵为啥被定义成  ?这玩意为什么冠以拉普拉斯之名?为什么和图论有关的算法如此喜欢用拉普拉斯矩阵和它的特征值?

最近读论文的时候,刚好趁机温习了一下相应的内容,寻本朔源一番,记录下来,希望大家阅读之后,也能够有个更加通透的理解。

要讲拉普拉斯矩阵,就要从拉普拉斯算子讲起,要讲拉普拉斯算子,就要从散度讲起~

于是我们从散度开始,发车啦~~~


通量与散度

首先我们来看一道初中物理题:

小明乘帆船出行,刮来一阵妖风,假设帆的面积为  , 和妖风的夹角为  ,妖风在每单位面积上的垂直风压为  ,求妖风对帆的推动力

那么聪明伶俐(?)的我们一定知道,这道题的答案应该是  。

如果我们用  表示风的向量(且  ),用  表示帆的法向量,结合高中数学知识我们知道上述公式也可以写成

。。。

如果我们现在再把题目弄复杂一点,假设船帆不是一个平面,而是一个空间中的曲面  ,在  所在的每一点(面积微元 )处,其法向量为  ,且空间中存在的风为  ,根据大学数学知识我们可以得到:

于是我们就得到了通量  的定义, 

。。。

那么如果我们有一个封闭曲面呢,比如:

在向量场下的封闭曲面

 

此时我们指定曲面每一点处的法向量为该点朝外的向量:

 

红色箭头为法向量,注意在上面的例子中风与帆的比喻并不完全恰当,在计算通量的时候一般我们认为向量场会穿过曲面,而非被挡住

于是我们有

对于上图,根据向量乘法的基本原理,聪明的我们很容易知道,对于射入曲面的那一部分(左半边),其通量为,而对于射出曲面的那一部分(右半边),其通量为正。

更进一步的思考我们可以得出,相互抵消后,这一曲面上的总通量为 

。。。

接下来我们看下一张图:

显然,在这一向量场中,红色曲面上的总通量为负,而绿色曲面上的总通量为正。 那么我们不断缩小这两个曲面,直至其无限接近一个点  ,并将其总通量除以曲面所围成的体积  ,得到:

 ,

我们便得到了点  处的散度。

。。。

根据上面的分析,我们不难看出,在红圈所在圆心处的散度为负,而绿圈圆心处的散度为正。

结合上述定义,我们知道,散度衡量了一个点处的向量场是被发射还是被吸收,或者说,对于散度为正的点,散度越大,意味着相应的向量场越强烈地在此发散,而对于散度为负的点,意味着相应的向量场在此汇聚

嗯,就这么简单~ XD

拉普拉斯算子

接下来就是我们可爱的拉普拉斯算子啦~~

根据定义,函数  的拉普拉斯算子  又可以写成  ,其被定义为函数  梯度散度

那么这又是什么意思呢?

我们知道,在直角坐标系下,一个函数  在  处的梯度是一个向量  ,

于是函数  的梯度函数 

就构成了一个在三维空间下的向量场。

于是乎,我们对这一向量场  求散度  ,即得到了  的拉普拉斯算子  。

为什么要这样做呢?

让我们想像一座山,根据梯度的定义,在山峰周围,所有的梯度向量向此汇聚,所以每个山峰处的拉普拉斯算子为负;而在山谷周围,所有梯度从此发散,所以每个山谷处的拉普拉斯算子为正。所以说,对于一个函数,拉普拉斯算子实际上衡量了在空间中的每一点处,该函数梯度是倾向于增加还是减少

歪个楼,描述物理系统最优美的公式之一拉普拉斯方程,  ,大家可以想一想,这一公式表达了物理系统怎么样的特征呢?

图论下的函数

我们知道,互相连接的节点可以构成一张,其中包含所有点构成的集合  , 和所有边构成的集合  。

对于实数域上的函数  ,我们可以理解为一种对于  的映射,将每个可能的  映射到一个对应的  上(  )。

相应地,我们也可以定义一个图函数  ,使得图上的每一个节点  ,都被映射到一个实数  上。

比如说,假设我们有一个这样的社交网络图谱:

假设说每一条边的权值对应两个人之间信息的流通程度。现在我们想要分析这个社交网络上的信息传播,我们不仅需要知道信息流通的程度,我们还要知道每个人发动态的活跃程度,于是我们现在给这个图一个函数  ,使得:

这里的负数似乎可以理解为,  和  是谣言终结者,可以阻止信息的传播~

那么我们得到这样一张图:

 

图函数的梯度

我们定义了图论的函数,那么应该如何给图论下的函数定义梯度呢?

我们记得,梯度的意义在于,衡量函数在每一个点处,在每个正交方向上的变化,如  的梯度在  方向的分量 

在图论中,我们认为一个节点沿着每一条边通向它的相邻节点,而每两条边之间互相并没有什么关系,也就是说我们认为这个节点的每一条边互相都是正交的

并且对于两个节点,我们定义其距离  为其边权值的倒数(比如上面社交网络的例子,我们可以认为,两个人的信息流通程度越低,两个人的友谊就“越远”)

那么对于一个节点  ,我们认为其梯度在一条通向  的边  上的分量

(其中  为  到  的距离),

为了计算梯度,我们给出一个这样的矩阵:

每一行代表一个点,每一列代表一条边,使得对于每个点每条边,如果该条边从该点发射出去,且权值为  ,则将矩阵中对应的这一元素置为  ,如果该条边指向该点,则将对应的元素置为  

具体到上面社交网络的例子,我们有相应的矩阵  :

我们又有关于图函数  的列向量  :

我们试着计算  :

经过观察我们可以知道,最后计算结果的向量,即是整个图  在  函数上的梯度  ,其中每一行,为该梯度在一条边上的分量。

所以对于图  ,我们有  ,使得 

拉普拉斯算子与拉普拉斯矩阵

我们记得在函数中,拉普拉斯算子的定义为函数梯度的散度,即每一点上其梯度的增加/减少,那么对于图函数,其每一“点”即为每个“节点”,其梯度的散度该怎么定义呢?

我们几乎可以立刻可以想到,图函数每一点上梯度的散度,即是从该节点射出的梯度,减去射入该节点的梯度,那么我们几乎又可以立即想到(?),根据这样的定义去计算散度,只要把原来的梯度再左乘一个这样的矩阵就可以啦:

每一行代表一个点,每一列代表一条边,使得对于每个点每条边,如果该条边从该点发射出去,则将矩阵中对应的这一元素置为  ,如果该条边指向该点,则将对应的元素置为  

命名这一矩阵为 

 

也就是说,我们把  的每个元素,正的变成1,负的变成-1,就得到了 

那么,

于是我们得到了图论函数的拉普拉斯算子  ,即我们常说的拉普拉斯矩阵

注意在我们上面的范例中,将任意一条边的方向反转,等价于在  的一列上乘以  ,这种情况下最终  不会改变,也就是说拉普拉斯矩阵的值与图中每一条边的方向无关,所以拉普拉斯矩阵一般用来表述无向图

计算  的值,我们得到矩阵:

注意到这一对称矩阵,对角线即是每个点的,而其余的元素,则是负的邻接矩阵,于是乎我们得到了拉普拉斯矩阵的经典算式:

(至于外面的各种资料为什么往往只使用  而非  ,个人认为是因为前者只涉及减法,计算远远快于后者,所以程序中一般使用前者。但是为了理解拉普拉斯矩阵的意义,对后者的了解在我看来是必须的

拉普拉斯矩阵的重要性质

拉普拉斯矩阵之所以如此常用,是因为其一大重要性质: 拉普拉斯矩阵的  个特征值  都是非负值,且有 

同时,我们引入关于矩阵  和  的瑞利熵的概念: 

其中    共轭矩阵,对于  为实数矩阵的情况下 

而通过拉格朗日乘子法可以得出,瑞利熵的一个非常重要的特点就是: 瑞丽熵的最大值,等于  的最大特征值,瑞利熵的最小值,等于  的最小特征值

再看看图算法中对于拉普拉斯矩阵  的运算中常常出现的f  ,结合上文所述的拉普拉斯矩阵的重要性质,那么拉普拉斯矩阵在各种图算法中的应用,想必大家也能够理解啦~

posted @ 2019-09-17 08:56  白婷  阅读(4010)  评论(1编辑  收藏  举报