k近邻图（knn-graph）和局部线性嵌入图（LLE-graph）的相似性和区别

K 近邻图（KNN - graph）和局部线性嵌入图（LLE - graph）是用于构建数据点之间关系图的两种方法。

1. k近邻图（knn-graph）

• 核心思想：k近邻图通过计算样本之间的距离来构建图。具体来说，对于每个样本，找到其最近的 k 个邻居，并用边连接这些邻居。

• 图的表示：在k近邻图中，图的边权重通常表示样本之间的距离关系。例如，两个样本之间的距离越小，它们之间的边权重越大。

• 特点：

  • 直接基于样本之间的距离构建图。

  • 图的边权重反映了样本之间的物理距离。

---

2. 局部线性嵌入图（LLE-graph）

• 核心思想：局部线性嵌入图通过线性表示来构建图。具体来说，对于每个样本，找到其最近的 k 个邻居，并用这些邻居的线性组合来表示该样本。

• 图的表示：在LLE-graph中，图的边权重表示样本之间的表示能力或贡献。例如，一个样本在表示另一个样本时的线性组合系数越大，表示它对后者的贡献越大。

• 特点：

  • 基于样本之间的线性表示关系构建图。

  • 图的边权重反映了样本之间的表示关系，而不是直接的物理距离。

---

3. 两者的相似性

• 共同目标：knn-graph和LLE-graph都用于捕捉数据的局部几何结构。它们都假设数据在局部区域内具有一定的结构（例如，局部线性或局部平滑）。

• 共同方法：两者都使用距离度量来找到每个样本的最近邻（即 k 个最近的样本）。

---

4. 两者的区别

• knn-graph：

  • 图的边权重表示样本之间的距离关系。

  • 直接基于样本之间的距离构建图。

  • 例如，如果样本 i 和样本 j 之间的距离很小，那么它们之间的边权重会很大。

• LLE-graph：

  • 图的边权重表示样本之间的表示能力或贡献。

  • 基于样本之间的线性表示关系构建图。

  • 例如，如果样本 i 在表示样本 j 时的线性组合系数很大，那么它们之间的边权重会很大。

---

5. 总结

• knn-graph：基于样本之间的距离关系构建图，边权重表示距离。

• LLE-graph：基于样本之间的线性表示关系构建图，边权重表示表示能力或贡献。

两者的共同点是都使用距离度量来捕捉数据的局部几何结构，但它们在表示样本之间关系的方式上有所不同。