Laplacian算子的谱性质在谱图论中有什么效应？

1 Laplacian 算子 给定无向图\(G=(V, E)\)，我们在上一篇博客《谱图论：Laplacian二次型和Markov转移算子》中介绍了其对应的Laplacian二次型： \[\mathcal{E}[f]=\frac{1}{2} \cdot \mathbb{E}_{u \sim v}\left[(f(u)-f(v))^2\right] \] 这里\(f: V\rightarrow \mathbb{R}\)为图的顶点标签，\(u\sim v\)表示服从均匀分布的随机无向边\((u, v)\in E\)。直观地理解，Laplacian二次型刻画了图的“能量”（energy）。\(\mathcal{E}[f]\)的值越小，也就意味着\(f\)更加“光滑”（smooth），即其值不会沿着边变化得太剧烈。 事实上，我们可以做进一步地等价变换： \[\begin{aligned} \mathcal{E}[f] &=\frac{1}{2} \cdot \mathbb{E}_{u \sim v}\left[(f(u)-f(v))^2\right]\\ &= \langle f, f \rangle - \mathbb{E}_{u\sim v}\left[f(u)f(v)\right]\\ &= \langle f, f \rangle - \langle f, Kf \rangle\\ &= \langle f, If - Kf \rangle \\ &= \langle f, (I - K) f \rangle \end{aligned} \] 这\(K\)为我们在上一篇博客中提到的MarKov转移算子，它满足：\((K f)(u)=\mathbb{E}_{v \sim u}[f(v)]\)。 对于最后一个等式而言，我们称算子 \[L = I - K \] 为图\(G\)的 （归一化）Laplacian算子。 注 对于\(d\)-正则图\(G\)而言，我们有 \[L = I - \frac{1}{d} A = \frac{1}{d}(dI - A) \] 这里\(A\)为\(G\)的邻接矩阵，\(dI - A\)被称为非归一化Laplacian算子，或直接被简称为Laplacian算子。 和\(K\)一样，\(L\)也是定义在函数空间\(\mathcal{F}=\{f: V \rightarrow \mathbb{R}\}\)上的线性算子，按照以下规则将\(f\in \mathcal{F}\)映射到\(Lf\in \mathcal{F}\)，满足 \[Lf(u) = f(u) - \mathbb{E}_{v\sim u}[f(v)]， \] 通过研究\(L\)，我们就能把握Laplacian二次型\(\mathcal{E}[f] = \langle f, Lf \rangle\)的特性，从而把握图\(G\)的特性，这是谱图理论中至关重要的一点。 接下来再来看我们熟悉的那个示性函数例子。 例 设图顶点的子集\(S\subseteq V\), 0-1示性函数\(f=\mathbb{I}_S\)用于指示顶点是否在集合\(S\)中，即： \[f(u)=\left\{\begin{array}{lll} 1 & \text { if } & u \in S \\ 0 & \text { if } & u \notin S \end{array}\right. \] 则我们有： \[\begin{aligned} & \langle f, Lf \rangle = \mathbb{E}[f] = \text{Pr}_{u\sim v}[u\in S, v\notin S]\\ & \langle f, f\rangle = \mathbb{E}_{u\sim \pi}[f(u)^2] = \text{Pr}_{u\sim \pi}[u\in S] = \text{vol}(S) \end{aligned} \] 直观地理解，这里\(\text{Pr}_{u\sim v}[u\in S, v\notin S]\)表示“伸出”\(S\)的边占总边数的比例；\(\text{vol}(S)\)表示\(S\)的“体积”。则上述两式的比值 \[\begin{aligned} \frac{\langle f, Lf\rangle}{\langle f, f \rangle} &= \text{Pr}_{u\sim v}\left[v\notin S\mid u \in S \right]\\ &= \text{Pr}\left[ \underbrace{\text{pick a random } u\in S}_{\text{proportional to the degree}}\text{, do }\ 1 \text{ step, that you get out of } S \right] \\ & \in \left[0, 1\right] \end{aligned} \] 表示从集合\(S\)中的“逃出”概率。我们将这个比值称为\(S\)的电导（conductance）（我们在博客《图数据挖掘：重叠和非重叠社区检测算法》中介绍过，当时是用来衡量社区划分的质量，这个值越小说明划分得越好），用\(\Phi[S]\)表示。 2 再论Laplacian二次型的极值 有了\(L\)，那么最小化/最大化\(\mathcal{E}[f]\)的问题就可以进行进一步的研究了。考虑下列优化问题： \[\begin{aligned} & \max \quad \mathcal{E}[f] = \langle f, Lf\rangle = \underbrace{\frac{1}{2}\mathbb{E}_{u\sim v}\left[\left(f(u) - f(v)\right)^2\right]}_{\text{continous func. } f: \space\mathbb{R}^n\rightarrow \mathbb{R}}\\ & \text{s.t.} \underbrace{\quad \lVert f \rVert^2_2 = \langle f, f\rangle = \mathbb{E}_{u\sim\pi}[f(u)^2] = 1}_{\text{compat set}, \text{ ellipsoid in } \mathbb{R}^n} \quad (\Leftrightarrow\text{Var}[f] = 1) \end{aligned} \] 存在一个极大值点\(\varphi: V\rightarrow \mathbb{R}\)，它满足： \[L \varphi=\lambda \varphi \quad \text { for some } \lambda \in \mathbb{R}， \] 也即\(L\varphi \parallel \varphi\)。此外，该极大点也可以被有效地找到。 推论 \[\mathcal{E}[\varphi] = \langle \varphi, L\varphi\rangle = \langle \varphi, \lambda \varphi \rangle = \lambda \langle \varphi, \varphi \rangle = \lambda \in \left[0, 2\right] \] 事实 \[\begin{aligned} & \mathbb{E}[\varphi] = \mathbb{E}_{u\sim \pi}\left[\varphi(u)\right] = \mathbb{E}_{u\sim \pi}\left[\varphi(u) \cdot 1\right] = 0 \Leftrightarrow \langle \varphi, \mathbb{1} \rangle = 0 \Leftrightarrow \varphi \perp \mathbf{1}\\ & \text{Var}[\varphi] = 1 \end{aligned} \] 下面我们来证明为什么\(\mathcal{E}[f]\)的极大值点\(\varphi\)满足\(L\varphi \parallel \varphi\)。 证明 我们采用反证法，即假设极大值点\(\varphi\)满足\(L\varphi \nparallel \varphi\)，如下图所示： 由于\(L\varphi \nparallel \varphi\)，那么我们可以现在\(L\varphi\)与\(\varphi\)之间的垂线方向上取\(f = \varphi + \varepsilon \psi\)（\(\varepsilon\neq 0\)是一个很小的数，\(\psi\)为单位向量），根据勾股定理有\(\lVert f \rVert^2_2 = 1 + \epsilon^2\)。则： \[\begin{aligned} \mathcal{E}[f] = \langle f, Lf \rangle &\overset{(1)}{=} \langle \varphi + \varepsilon \psi, L\varphi + L\varepsilon \psi \rangle \\ & \overset{(2)}{=} \langle \varphi, L \varphi \rangle + \underbrace{\varepsilon \langle \phi, L \psi \rangle + \varepsilon \langle \psi, L \varphi \rangle}_{L \text{ is self-adjoint}} + \varepsilon^2 \langle \psi, L \psi \rangle\\ & \overset{(3)}{=} \langle \varphi, L \varphi \rangle + \underbrace{2\varepsilon \langle \psi, L \varphi \rangle}_{>0} + \mathcal{O}(\epsilon^2) \\ & > \langle \varphi, L \varphi \rangle \end{aligned} \] （其中等式\((3)\)用到了自伴算子的定义）而这与\(\varphi\)为极大值点相矛盾。因此，\(\mathcal{E}[f]\)的极大值点\(\varphi\)满足\(L\varphi \parallel \varphi\)。 3 Laplacian算子的谱性质 在上一小节，我们已经证明了\(\varphi\)是一个极大值点。现在我们不采用\(\varphi\)及所有与\(\varphi\)平行的解，而将解限制在与\(\varphi\)相正交的子空间中。这样，优化问题就变为了： \[\text{Max } \underbrace{\langle f, Lf \rangle}_{\text{continous func. }} \quad \text{s.t.} \underbrace{\lVert f \rVert^2_2 = \langle f, f \rangle = 1}_{\text{compat set}},\quad f\perp \varphi \] 求解该优化问题可以采用与之前相同的思路，也即存在极大值点\(\varphi^{\prime}\)满足： \[L \varphi^{\prime}=\lambda^{\prime} \varphi^{\prime} \quad \text { for some } \lambda^{\prime} \leqslant \lambda，\text{and } \mathbb{E}[\varphi^{\prime}] = 0 (\Leftrightarrow \langle \varphi^{\prime}, \mathbf{1} \rangle = 0) \] 这里\(\lambda^{\prime} < \lambda\)的原因是\(\lambda\)已经对应了极大值点，而我们添加了新的约束使\(f\nparallel \varphi\)，故这里\(\lambda^{\prime}\)对应的是第二大的极值点。 重复这个步骤，不断寻找第3大，第\(4\)大……的极大值点，并使其与之前找到的所有极大值点正交，直到找到最后一个（第\(n\)大的）极大值点。在这个过程中得到的极大值点都会\(\perp\)于\(\mathbf{1}\)（\(\mathbf{1}\)为全1向量），而最后一个极大值点即为所剩的\(\mathbf{1}\)向量本身，此时有 \[L\mathbf{1}=0 \] 由此可见最后一个特征值（最小的特征值）为0。 通过上面所述的步骤，我们可以找到Laplacian算子的\(n\)个相互正交的规范化特征向量（范数为1）及其对应的特征值。而这事实上和我们在线性代数课程中所学过的谱定理密切相关。 谱定理 若\(T\)为一个实向量空间\(V\)上的自伴算子，则\(V\)有一个由\(T\)的特征向量组成的规范正交基（orthonormal basis）\(\varphi_1, \varphi_2, \cdots, \varphi_{n}\)，每个特征向量分别对应于实特征值\(\lambda_1, \lambda_2, \cdots, \lambda_{n}\)。 我们前面证明过Markov转移算子\(K\)是自伴的，则\(L = I - K\)也是自伴的（事实上，又由于\(\langle f, Lf \rangle \geqslant 0\)，\(L\)还是半正定的）。于是，关于图\(G\)的Laplacian算子就有以下定理： 定理 给定\(G\)及其Laplacian算子\(L\)，则存在规范正交基（函数）\(\mathbf{1} \equiv \varphi_1, \varphi_2, \cdots, \varphi_{n}\)及实数$0=\lambda_1 \leqslant \lambda_2\leqslant \cdots \leqslant \lambda_{n} \leqslant 2 $满足： \[L\varphi_i = \lambda_i \varphi_i \] 我们将\(\lambda_2\)和更广泛的\(\lambda_k\)（\(k\)为一个较小的值）称为低频（low-frequency） 特征值，而将\(\lambda_n\)称为高频（high-frequency） 特征值。 事实上，除了讨论Laplacian算子\(L\)之外，我们也可以讨论Markov转移算子\(K\)的特征向量及特征值。由\(L = I - K\)，我们有 \[K \varphi_i = (I - L) \varphi_i = I \varphi_i - L\varphi_i = \varphi_i - \lambda_i \varphi_i = (1 - \lambda_i) \varphi_i, \] 则\(K\)拥有特征向量\(\varphi_i\)及其相伴的特征值 \(\kappa_i = 1 - \lambda_i\)，且\(-1\leqslant \kappa_{n}\leqslant\cdots\leqslant \kappa_2 \leqslant \kappa_1 = 1\)。 定义 给定\(f: V\rightarrow \mathbb{R}\)和正交基\(\varphi_1, \varphi_2, \cdots \varphi_{n}\)，那么\(f\)能够唯一地表示为\(\varphi_i\)的一个线性组合： \[f = \hat{f}(1) \varphi_1 + \hat{f}(2) \varphi_2 + \cdots \hat{f}(n) \varphi_{n},\quad \hat{f}(i)\in \mathbb{R} \] 这个性质会为我们带来许多新的结论。 命题 将\(L\)应用于\(f\)，就得到了： \[Lf = \underbrace{\lambda_1 \hat{f}(1) \varphi_1}_{0} + \lambda_2 \hat{f}(2) \varphi_2 + \cdots + \lambda_{n} \hat{f}(n) \varphi_{n}， \] 可以看到，\(L\)应用于\(f\)可以转换为分别去应用于正交基。为了方便，我们常常会使用如下所示的记号： \[\widehat{Lf}(i) = \lambda_i \hat{f}(i) \] 此外，我们也可以使用规范正交基来简化我们内积和范数的表示。 命题 给定另一个函数 \[g = \hat{g}(1)\varphi_1 + \cdots + \hat{g}(n)\varphi_{n}， \] 则\(f\)和\(g\)的内积 \[\langle f, g\rangle = \sum_{i, j}\hat{f}(i)\hat{g}(j)\langle \varphi_i, \varphi_j \rangle = \sum_{1\leqslant i \leqslant n}\hat{f}(i)\cdot \hat{g}(i) \] 推论 根据内积我们可以诱导出范数 \[\lVert f \rVert^2_2 = \langle f, f\rangle = \sum_{1\leqslant i \leqslant n}\hat{f}(i)^2， \] \(f\)的均值可表示为： \[\mathbb{E[f]}=\mathbb{E}_{u\sim \pi}[f(u)] = \langle f, \mathbf{1}\rangle=\langle f, \varphi_1 \rangle = \widehat{f}(1) \] 可以看到，\(f\)沿规范正交基的展开式中的第一项就是均值乘单位向量： \[f = \underbrace{\hat{f}(1)}_{\mathbb{E}[f]} \underbrace{\varphi_1}_{\mathbf{1}} + \hat{f}(2) \varphi_2 + \cdots \hat{f}(n) \varphi_{n}, \quad \hat{f}(i) \in \mathbb{R}， \] \(f\)的方差可表示为： \[\begin{aligned} \text{Var}[f] & = \mathbb{E}[f^2] - \mathbb{E}[f]^2 \\ & = \sum_{1\leqslant i \leqslant n} \left[\hat{f}(i)^2\right] - \hat{f}(1)^2 \\ &= \sum_{1< i \leqslant n} \hat{f}(i)^2 \end{aligned} \] （注意第\(1\)项\(\hat{f}(1)^2 - \hat{f}(1)^2\)抵消掉了） Laplacian二次型\(\mathcal{E}[f]\)可表示为： \[\begin{aligned} \mathcal{E}[f] &= \langle f, Lf \rangle \\ &= \sum_{i, j}\lambda_i \hat{f}(i)\hat{f}(j)\langle \varphi_i, \varphi_j \rangle\\ &= \sum_{1 < i\leqslant n}\lambda_i \hat{f}(i)^2 \end{aligned} \] （注意第\(1\)项由于\(\lambda_1=0\)就消失了） 参考 [1] CMU 15-751: TCS Toolkit [2] Bilibili: CMU计算机科学理论(完结)—你值得拥有的数学和计算机课) [3] Spielman D. Spectral graph theory[J]. Combinatorial scientific computing, 2012, 18: 18. [4] Axler S. Linear algebra done right[M]. springer publication, 2015.