로컬 선형 임베딩 (LLE)은 먼 물체 사이의 거리를 추정 할 필요가 없으며 로컬 선형 피팅에 의해 전역 비선형 구조를 복구합니다. LLE는 학습률 또는 수렴 기준과 같은 매개 변수가 포함되지 않기 때문에 유리합니다. LLE은 의 고유 차원에 따라 확장 됩니다. LLE의 목적 함수는
가중치 행렬 요소 개체 및 경우 0으로 설정된다Y
ζ(Y)=(Y−WY)2=Y⊤(I−W)⊤(I−W)Y
Wwijijj는 의 가장 가까운 이웃이 아니고 , 그렇지 않으면, 물체 의 K- 최근 접 이웃에 대한 가중치 는 의 최소 제곱 적합을 통해 결정됩니다.
여기서 종속 변수 는 벡터 이고, 는 객체 의 가장 가까운 모든 이웃에 대한 그램 행렬 이고 는 합집합 제약을 따르는 가중치 의 벡터입니다. 하자 대칭 긍정적 semidefinite 수iiU=Gβ
UK×1GK×KiβK×1DK×K 차원 객체 모든 K- 최근 접 쌍에 대한 거리 행렬 . 그것은 것을 나타낼 수 두 배로 중심 거리 행렬 같다 요소
회귀 계수 수치를 사용하여 결정된다
pxiGττlm=−12(d2lm−1K∑ld2lm−1K∑md2lm+∑l∑md2lm).
KβK×1=(τ⊤τ)K×K−1τ⊤UK×1,
그리고 그것들이 일치하는지 확인합니다. 값 행에 포함되는 의 오브젝트의 K 최근 접 이웃에 대응하는 여러 개의 열 위치에 뿐만 아니라 트랜스 소자. 이는 데이터 세트의 각 번째 개체에 대해 반복됩니다 . 가장 가까운 이웃 의 수가 너무 적 으면, 가 희박하여 eigenanalysis가 어려워 질 수 있음을 보증 합니다. 가장 가까운 이웃이 결과 인 것으로 관찰되었습니다βiWiiKWK=9Weigenanalysis 동안 병리학을 포함하지 않은 매트릭스. 0이 아닌 고유 값을 찾아 목표 함수를 최소화
의 환원 형 에 의해 표현된다 측정 기준 갖는 의 두 최소 고유치에 기초 . (I−W)⊤(I−W)E=ΛDE.
XY=EEn×2Λ