Nystrom 方法

本文尝试说明核函数与特征映射之间的关系，并借此介绍 Nystrom 的核函数加速方法。

核函数与特征映射

输入向量经过 feature map 的映射成为特征，而特征之间的内积称为核函数

其中，，这说明特征维度可以无限多；，称为特征值；，代表一种特征映射，它将输入映射成一个值。不同的特征映射彼此具有耦合关系，作为特征映射的约束，一种典型的约束称为 p-正交（p-orthogonal）

其中，代表输入向量出现的概率函数，我们要求特征之间依概率正交。正交条件虽然严格，但由于概率密度函数的存在，我们不再需要“过度”关注那些小概率事件。另外，由以上两式，我们可以立即得到下式

上式反映了核函数与特征映射之间的关系。

由于输入向量的概率密度函数几乎不可知，因此我们可以采取经验原则使用平均分布对它进近似，即认为所有输入向量的出现与否都是“等可能”的

反映在 p-正交约束上，它近似为

核函数与特征映射之间的关系式近似为

其中，q 代表输入向量的采样数量。

接下来，我将不加证明地给出矩阵分解式，再建立矩阵分解与核函数特征映射之间的关系。之所以使用这么拧巴的逻辑，是因为我实在没想明白，要怎么从正方向把这个东西给推导出来，因此我现在只能认为这是个巧合。

首先，将矩阵分解式列写如下

其中，代表变换方阵；代表列向量组成的矩阵，且；为对角实矩阵。另外，我们认为的各列满足标准正交关系

下面让我们发挥想象力地开始类比，首先是整个矩阵

之后是该矩阵的每一列

这样，我们就构建了矩阵的特征分解与核函数特征映射之间的关系。为了将映射关系进行量化，我们首先计算映射函数，即特征向量。计算过程主要利用到特征向量之间的正交关系，以及矩阵的单位正交性质。

之后计算特征值。在计算过程中我们分别将每一行进行计算，发现在任意行中都有等式关系成立，因此将每行推广到全部行后，可得比例关系。

至此，我们可以认为矩阵代表有限维度的核函数，向量组合代表特征映射向量。

下面考虑一般输入向量的特征映射

其中，代表第个输入向量，代表第个特征。

Nystrom 方法采用核函数的低秩近似,将高维核函数分解成低秩部分与剩余部分。具体来说,将核函数矩阵进行特征分解,选取前个特征向量与特征值进行重构,作为低秩近似项。剩余部分作为高秩与低秩之差,称为剩余项。因此 ,Nystrom 方法可以被表示为:

其中代表前个特征向量组成的矩阵；代表对角矩阵,包含前个特征值; 代表剩余项。由于与可以通过核函数矩阵的 SVD 分解直接获得,因此 Nystrom 方法的核心在于剩余项的估计。

通常,我们可以采用下式对剩余项进行估计:

上式中,核函数矩阵可以通过输入向量的采样获得。然而,这样的估计方法存在明显的缺陷,即忽略了特征向量与特征值之外的信息,造成了信息损失。因此,在实际应用中,我们可以通过下式获得更精确的剩余项估计:

其中，代表特征值的修正项,通常可以通过最小二乘法等方法进行估计。具体来说,我们可以构造剩余项的线性方程组,再求解以使方程组残差最小。这样一来,我们不仅利用了前个特征向量与特征值,同时还充分利用了核函数矩阵的信息,从而获得更加精确的剩余项估计。

分类：

后端

标签：

后端

作者介绍