引言
在机器学习和数据降维领域，局部保持投影（Locality Preserving Projections, LPP）是一种经典的线性降维方法，它通过保持数据点的局部邻域结构来发现潜在的低维表示。然而，当数据分布呈现明显的非线性时，线性LPP往往无法有效捕捉这种复杂结构。这时，核技巧（Kernel Trick）就派上用场了——通过将数据隐式映射到高维特征空间，我们可以实现非线性降维。这就是**核局部保持投影（Kernel Locality Preserving Projections, KLPP）**的核心思想。
KLPP本质上是LPP的核化版本，它结合了核方法和图嵌入框架，能够更好地处理非线性流形数据，常用于人脸识别、图像处理、故障检测等场景。
LPP与KLPP的基本原理
LPP的目标是最小化局部散度，同时保持数据的邻域关系。其优化问题可以转化为广义特征值问题：
[ X L X^T a = \lambda X D X^T a ]
其中：
(X) 是数据矩阵，
(W) 是邻接矩阵（相似度矩阵），
(D) 是对角矩阵，(D_{ii} = \sum_j W_{ij})，
(L = D - W) 是拉普拉斯矩阵。
KLPP则在核空间中进行类似操作：首先计算核矩阵 (K)（例如高斯核），然后在核空间求解类似的广义特征值问题。由于核技巧，我们无需显式计算高维映射，只需操作核矩阵即可。
