Random Projection

Random Projection在k-means的应用

1. 随机投影（Random Projection）

首先，这是一种降维方法。之前已经介绍过相对普遍的PCA的降维方法，这里介绍另一种降维方法Random Project。相比于PCA，他的优势可以这样说：

Random Projection与PCA不一样，其操作简单，只要构建一个投影矩阵即可，而PCA降维还要做SVD，计算开销比较大

1.1 Brief Introduction

随机投影的理论依据是J-L Lemma，公式的核心思想总结一句话就是：在高维欧氏空间里的点集映射到低维空间里相对距离得到某误差范围内的保持。至于为什么要保持，主要是很多机器学习算法都是在以利用点与点之间的距离信息展开计算分析的(如k-means)。

1.2 Johnson–Lindenstrauss lemma

其实并不想这么数学，但是这么重要的定理不说不行。

定理表示：对于任意一个样本大小为m的集合，如果我们通过随机投影将其维度降到一个合适的范围 $n > 8 l n (m) / ϵ^{2}$

上式中， $f$

1.3 Method

介绍完JL Lemma，接下来就简单了。如果 $X_{d \times N}$

1.4 高斯随机投影 Gaussian random projection

可以使用高斯分布生成随机矩阵 $R$

球对称(Spherical symmetry)：对于任何正交矩阵 $A \in O (d)$
正交性：R的行彼此正交。
R的行是单位长度向量。

要讨论高斯随机投影为什么有效，我们需要先来讨论下一个核心问题，高斯投影是否可以从理论上保证投影降维前后，数据点的空间分布距离基本保持不变呢？这个问题其实可以等价于证明另一个问题，即高斯投影能否做到将高维空间的点均匀的投影到低维空间中，如果能做到这一点，那么我们也可以证明其具备“投影降维前后，数据点的空间分布距离基本保持不变”的能力。

我们来考虑一个采样问题，就是怎样在高维单位球体的表面上均匀的采样。首先，考虑二维的情况，就是在球形的周长上采样。我们考虑如下方法：第一，先在一个包含该圆形的外接正方形内均匀的采样；第二，将采样到的点投影到圆形上。具体地说就是，第一，先独立均匀的从区间[−1,1]（我们假设圆形跟正方形的中心点都在原点）内产生两个值组成一个二维的点(x1,x2)；第二，将该二维点投影到圆形上。例如，如下图所示，如果我们产生点是图中的A,B两点，那么投影到圆形上就是C点，如果产生的是点D，那么投影到圆形上就是E点。但是，用这样的方法得到点在圆形上并不是均匀分布的，比如产生C点的概率将大于产生E点概率，因为可以投影到C点对应的那条直线比E点对应的那条直线要长。解决的办法是去掉圆形外面的点，也就是如果我们首先产生的点在圆形外的话（比如点B），那么我们就丢弃该点，重新在产生，这样的话产生的点在圆形上是均匀分布的。

那么，我们能否将此方法扩展到高维的情况下呢？答案是不行的。因为在高维的情况下球与正方体的体积比将非常非常小，几乎接近于零。也就是我们在正方体内产生的点几乎不可能落到球体内部，那么也就无法产生有效的点。那么，在高维的球体上，我们应该怎样才能产生一个均匀分布与球体表面的点呢？答案是利用高斯分布。即将上述第一步改成：以均值为零方差为1的高斯分布独立地产生d个值，形成一个d维的点x=(x1,x2,⋯,xd)；然后第二步：将点x归一化x̃ =x/‖x‖。用这种方法产生点必定均匀分布在高维球体表面。

2. Random Projection在k-means中的应用

对于k-means来说，将样本划分为距离最近的一个聚簇，这个过程可以使用下面的式子来表示：

$\Vert x_i - \mu_j \Vert_2^2 = \Vert x_i \Vert_2^2 + \Vert \mu_j \Vert_2^2 - 2x_i^T\mu_j$

每个数据点样本都要和聚簇中心做一次上述操作，所以一次迭代过程中计算复杂度为 $O(nkd)$ ， $d$ 是指样本维度。观察上面的式子， $\Vert x_i \Vert_2^2$ 的计算是可以预先完成的， $\Vert \mu_j \Vert_2^2$ 可以在每次迭代时预先计算好，而不必对每个样本都计算一次。所以更新的关键操作就是 $x_i^T\mu_j$ 的计算，即计算数据样本矩阵 $A$ 和聚簇中心 $\mu_j$ 的内积 $A^T\mu_j$ 。所以我们可以想办法在样本矩阵上做操作来减小计算的复杂度。