Le laplacien expliqué : du calcul différentiel au ML

Le laplacien intervient dans les algorithmes basés sur les graphes, les pipelines de traitement d’images et le clustering spectral. Si vous concevez des modèles qui exploitent des graphes, des images ou des données de grande dimension, le laplacien n’est pas un simple arrière-plan mathématique optionnel. C’est lui qui fait réellement le travail sous le capot.

Dans cet article, je reprends le laplacien depuis les bases : les mathématiques qui le sous-tendent, l’intuition géométrique, le laplacien de graphe et sa forme matricielle, ainsi que son utilisation dans des applications concrètes de machine learning.

Besoin d’une introduction pratique aux équations différentielles ? Lisez notre article récent pour passer des fondamentaux aux applications ML concrètes.

Qu’est-ce que le laplacien ?

Le laplacien est un opérateur différentiel du second ordre. Il indique comment une fonction se courbe en un point donné.

On le décrit parfois comme la divergence du gradient.

Et c’est la clé pour comprendre ce que fait réellement l’opérateur :

• Le gradient indique la direction d’augmentation la plus rapide d’une fonction
• La divergence mesure si ce flux se disperse ou converge.

Combinés, le laplacien indique si un point est un pic local, un creux local ou une zone plate entre les deux.

En termes simples, le laplacien mesure à quel point la valeur d’une fonction en un point diffère de la valeur moyenne de ses voisins. Si le laplacien est nul, la fonction est localement « équilibrée ». Une valeur positive signifie que le point est en dessous de son entourage. Négative, qu’il est au-dessus.

La formule

En 2D, pour une fonction f(x, y) :

Formule du laplacien 2D

En 3D, pour une fonction f(x, y, z) :

Formule du laplacien 3D

Ce schéma se généralise à n’importe quelle dimension : on somme les dérivées partielles secondes selon chaque axe. Le laplacien est donc très adapté aux données de grande dimension, raison pour laquelle on le retrouve si souvent en machine learning.

Formule du laplacien en calcul multivariable

La formule du laplacien est plus courte qu’on ne l’imagine pour un outil aussi présent en machine learning.

En 3D, pour une fonction f(x, y, z), elle s’écrit :

Formule du laplacien 3D

Et c’est tout. Vous sommez les dérivées partielles secondes le long de chaque dimension.

Chaque terme pose la même question sur son axe : la fonction est-elle concave vers le haut, vers le bas, ou plate ? En additionnant ces réponses, vous obtenez un nombre unique qui décrit la courbure globale au point considéré.

De 3D à n dimensions

La formule se généralise à n dimensions. Voici la formule générique pour une fonction à n variables d’entrée :

Généralisation de la formule du laplacien

C’est pour cela que le laplacien fonctionne bien en machine learning, où les données vivent souvent dans des espaces de centaines voire de milliers de dimensions. L’opérateur somme simplement la courbure le long de chaque dimension.

Lien avec l’optimisation

Si vous avez déjà utilisé la descente de gradient, vous raisonnez sur les dérivées premières : dans quelle direction descendre ? Le laplacien va un cran plus loin.

Les dérivées secondes renseignent sur la forme de la colline.

Un laplacien fortement positif en un point signifie que la fonction se courbe nettement vers le haut dans toutes les directions : vous êtes proche d’un minimum. Une valeur fortement négative indique un maximum. Proche de zéro, la surface est localement plate.

Cette information de courbure est cruciale pour les méthodes d’optimisation du second ordre, qui l’exploitent pour des pas plus judicieux que la simple descente de gradient. Le laplacien résume cette courbure en un scalaire.

Intuition géométrique : ce que mesure le laplacien

Le signe du laplacien en un point renseigne sur la forme de la fonction autour de ce point.

• Si ∇²f > 0 en un point, la fonction se courbe vers le haut dans toutes les directions. Le point est en dessous de son voisinage. C’est de la convexité.

• Si ∇²f < 0, la fonction se courbe vers le bas. Le point est au-dessus de son entourage. C’est de la concavité.

• Si ∇²f = 0, la fonction est localement plate. Aucune courbure nette dans une direction donnée.

C’est la version multivariable du test de la dérivée seconde que vous connaissez déjà. En 1D, une dérivée seconde positive indique un minimum local et une négative un maximum local. Le laplacien étend cette idée à n’importe quel nombre de dimensions en sommant la courbure sur tous les axes.

Relation avec la hessienne

La matrice hessienne capture toute l’information de courbure. C’est la matrice de toutes les dérivées partielles secondes ; chaque entrée décrit la courbure de la fonction le long d’une paire d’axes.

Le laplacien est la trace de la hessienne : la somme de ses éléments diagonaux. Là où la hessienne donne le détail complet, le laplacien condense tout en un seul nombre.

Ce compromis est important en machine learning. Calculer la hessienne complète est coûteux en haute dimension : un modèle avec n paramètres a une hessienne n × n. Le laplacien offre un résumé scalaire peu coûteux et rapide à exploiter.

Pourquoi c’est utile en machine learning

Pendant l’entraînement, vous parcourez une surface de perte. Les zones plates impliquent un apprentissage lent. Les régions convexes peuvent faire dépasser l’optimiseur. Le laplacien vous donne une lecture rapide de la situation.

Les méthodes sur graphes utilisent le laplacien pour mesurer la régularité des valeurs entre les nœuds d’un graphe. C’est l’extension directe de la même intuition de courbure, des fonctions continues vers des structures discrètes.

Laplacien et optimisation en machine learning

La descente de gradient n’utilise que les dérivées premières.

Le gradient indique la direction du pas, pas sa taille. Un gradient fort dans une vallée large et plate appelle un grand pas. Le même gradient fort près d’une arête abrupte exige un petit pas. Les dérivées premières seules ne font pas la différence.

C’est là que les dérivées secondes interviennent.

Courbure et taille de pas

La courbure décrit la vitesse de variation du gradient lui-même. Une forte courbure signifie que la surface de perte se plie fortement : de petits déplacements dans l’espace des paramètres produisent de grands changements de gradient. Une faible courbure indique une surface plate et un gradient qui varie lentement.

Ignorer la courbure et utiliser un taux d’apprentissage fixe revient à jouer au hasard. Trop grand, vous dépassez dans les régions à forte courbure. Trop petit, vous rampez dans les zones plates.

Les méthodes d’optimisation du second ordre comme la méthode de Newton utilisent la courbure pour ajuster automatiquement la taille des pas. Elles divisent le gradient par la courbure, avec de grands pas sur les zones plates et de petits pas sur les zones abruptes.

La place du laplacien

Le laplacien est la trace de la hessienne : un unique scalaire qui résume la courbure totale en un point. Il ne capture pas toute l’image comme la hessienne, mais il est peu coûteux à calculer et sert de bon signal.

Voici l’essentiel à retenir, en langage courant :

• Un laplacien de la perte fortement positif en un point = proche d’un minimum local : la perte se courbe vers le haut dans toutes les directions
• Une valeur négative = proche d’un maximum
• Proche de zéro = région plate ou en selle, là où la descente de gradient a tendance à caler

Stabilité et régularisation

La courbure est aussi liée à la stabilité de l’entraînement. Des minima « aigus » — régions à forte courbure — généralisent en général moins bien que les minima « plats ». Un modèle qui converge vers un minimum aigu est sensible aux petites variations d’entrée.

Certaines techniques de régularisation pénalisent directement la courbure pour pousser l’optimisation vers des zones plus plates de la surface de perte. Le laplacien intervient aussi ici, comme mesure et contrainte sur la variation des prédictions du modèle dans l’espace d’entrée.

Comprendre la courbure aide à expliquer pourquoi votre optimiseur cale, pourquoi le taux d’apprentissage compte autant, et pourquoi certains minima généralisent mieux que d’autres.

Le laplacien de graphe et la matrice laplacienne

Jusqu’ici, le laplacien vivait dans le monde des fonctions continues. Mais que se passe-t-il quand vos données ne forment pas une surface lisse, mais un graphe ?

C’est là qu’intervient le laplacien de graphe. Il reprend la même idée — mesurer à quel point la valeur en un point diffère de ses voisins — et l’applique aux nœuds et aux arêtes.

La formule

Le laplacien de graphe L est défini par :

Formule du laplacien de graphe (simplifiée)

Deux matrices. C’est tout. Voyons ce que chacune signifie.

La matrice d’adjacence

La matrice d’adjacence A encode quelles paires de nœuds sont connectées. Pour un graphe à n nœuds, A est une matrice n × n où A_ij = 1 s’il existe une arête entre le nœud i et le nœud j, et 0 sinon.

Pour un graphe non orienté simple à 3 nœuds où le nœud 1 est relié aux nœuds 2 et 3, mais où 2 et 3 ne sont pas reliés entre eux :

La matrice d’adjacence

La matrice des degrés

La matrice des degrés D est diagonale. Chaque élément diagonal D_ii est le degré du nœud i — le nombre d’arêtes qui lui sont connectées. Toutes les entrées hors diagonale sont nulles.

Voici la formule pour le même graphe :

La matrice des degrés

Le nœud 1 a un degré de 2 (relié à deux nœuds). Les nœuds 2 et 3 ont chacun un degré de 1.

Assembler le tout

Soustrayez A de D et vous obtenez L :

Soustraction de la matrice d’adjacence à la matrice des degrés

Chaque élément diagonal indique le nombre de connexions d’un nœud. Chaque élément hors diagonale L_ij vaut -1 si les nœuds i et j sont connectés, et 0 sinon.

Si vous multipliez L par un vecteur de valeurs attribuées à chaque nœud, le résultat mesure à quel point la valeur de chaque nœud diffère de la moyenne de ses voisins. C’est la version discrète de la même intuition de courbure — appliquée cette fois à un graphe plutôt qu’à une surface continue.

Ce que les valeurs propres révèlent sur un graphe

La vraie puissance de L vient de ses valeurs propres et vecteurs propres :

• La plus petite valeur propre de L est toujours 0. Le vecteur propre associé est constant — chaque nœud reçoit la même valeur. Logique : une fonction constante n’a aucune « variation » sur le graphe.

• Le nombre de valeurs propres nulles égale le nombre de composantes connexes du graphe. Si votre graphe a trois amas disjoints, L a trois valeurs propres nulles. C’est une façon directe de lire la connectivité du graphe à partir d’une matrice.

• Les petites valeurs propres non nulles correspondent à des vecteurs propres qui varient lentement sur le graphe — des nœuds proches reçoivent des valeurs similaires. Les grandes valeurs propres correspondent à des vecteurs propres qui oscillent rapidement entre nœuds connectés.

Fun fact : c’est ce spectre de valeurs propres qui donne leur nom aux méthodes spectrales.

Clustering spectral et détection de communautés

Le clustering spectral utilise les vecteurs propres de L pour identifier des clusters dans des données structurées en graphe. L’idée : les vecteurs propres associés aux petites valeurs propres attribuent des valeurs proches aux nœuds densément connectés et des valeurs différentes aux nœuds faiblement connectés.

Pour trouver k clusters, on prend les k vecteurs propres correspondant aux k plus petites valeurs propres non nulles de L, on les empile en colonnes dans une matrice, puis on applique k-means sur les lignes. Chaque ligne correspond à un nœud, et sa position dans cet espace de faible dimension reflète son voisinage dans le graphe.

Cette approche fonctionne pour la détection de communautés dans les réseaux sociaux, le clustering de documents, la segmentation d’images, et partout où les données ont une structure en graphe. Deux nœuds fortement connectés se retrouvent proches dans l’espace des vecteurs propres. Deux nœuds appartenant à des communautés différentes se retrouvent éloignés.

Le laplacien de graphe transforme un problème combinatoire difficile — trouver les clusters d’un graphe — en un problème d’algèbre linéaire simple à résoudre.

Laplacien et clustering spectral

Le clustering spectral est l’endroit où le laplacien de graphe passe des mathématiques intéressantes à un outil ML opérationnel.

L’idée centrale : au lieu de regrouper directement les points bruts, vous les regroupez dans un espace défini par les vecteurs propres de L. Cet espace capture la structure du graphe, ce qui permet de voir quels nœuds sont fortement connectés, faiblement connectés, ou appartiennent à des communautés distinctes.

Comment les vecteurs propres définissent les clusters

Prenez les k vecteurs propres associés aux k plus petites valeurs propres non nulles de L. Empilez-les en colonnes dans une matrice. Chaque ligne de cette matrice représente un nœud, désormais un point dans un espace de dimension k.

Les vecteurs propres associés aux petites valeurs propres varient lentement sur le graphe. Les nœuds densément connectés obtiennent des valeurs similaires dans ces vecteurs — des valeurs similaires donnent des lignes similaires — et des lignes similaires se retrouvent proches dans le nouvel espace.

Laplacien non normalisé vs normalisé

Deux versions du laplacien de graphe sont courantes en pratique.

Le laplacien non normalisé est simplement L = D - A. Il fonctionne bien lorsque les nœuds ont approximativement le même degré — c’est-à-dire un nombre de connexions similaire.

Le laplacien normalisé corrige les déséquilibres de degré. Il en existe plusieurs variantes, la plus courante étant :

Formule du laplacien normalisé

On repondère ainsi la contribution de chaque nœud par son degré. Dans les graphes réels — réseaux sociaux, Web, réseaux de citations — certains nœuds ont des centaines de connexions et d’autres une ou deux. Sans normalisation, les nœuds à haut degré dominent les vecteurs propres et le clustering s’en ressent.

Par défaut, utilisez le laplacien normalisé, sauf si vous savez que votre graphe a une distribution des degrés uniforme.

Applications pratiques

Le clustering spectral avec le laplacien de graphe s’applique à un large éventail de tâches ML. Quelques exemples :

• Segmentation d’images : les pixels deviennent des nœuds, les poids d’arêtes codent la similarité, les clusters correspondent à des régions de l’image
• Clustering de documents : les documents deviennent des nœuds, les arêtes codent des termes partagés ou des citations
• Analyse de réseaux sociaux : les utilisateurs sont des nœuds, les arêtes codent les liens, les clusters révèlent des communautés
• Systèmes de recommandation : les items ou les utilisateurs forment un graphe, et les méthodes spectrales détectent des groupes de comportements similaires

Dès que vos données ont une structure en graphe naturelle — ou que vous pouvez en construire une via des similarités par paires — le clustering spectral offre une approche rigoureuse pour trouver des groupes que les méthodes purement basées sur la distance manquent.

Laplacien en traitement d’images et vision par ordinateur

Le laplacien est l’un des plus anciens outils de vision par ordinateur, et il reste largement utilisé aujourd’hui.

En traitement d’images, l’intensité des pixels joue le rôle de fonction. Le laplacien mesure en quoi l’intensité d’un pixel diffère de celle de ses voisins. Là où l’intensité varie lentement, le laplacien est proche de zéro. Là où elle change brutalement — aux contours — le laplacien produit une forte réponse.

C’est tout le principe de la détection de contours par laplacien.

Pourquoi les dérivées secondes détectent les contours

Une dérivée première repère les zones où l’intensité varie. Une dérivée seconde repère où cette variation elle-même change — autrement dit, là où le taux de variation atteint un pic puis retombe.

Au niveau d’un contour, l’intensité grimpe puis se stabilise. La dérivée première culmine sur la rampe. La dérivée seconde — le laplacien — s’annule exactement au sommet de ce pic. Ces passages par zéro marquent l’emplacement précis du bord, ce qui rend le laplacien plus précis pour la localisation des contours que des méthodes de dérivée première comme le filtre de Sobel.

Le noyau discret du laplacien

En pratique, les images sont des grilles de pixels, pas des fonctions continues. On approxime le laplacien continu par un noyau de convolution — une petite matrice que l’on fait glisser sur l’image.

Le noyau discret 3×3 standard du laplacien ressemble à ceci :

Noyau discret 3×3 du laplacien

Le poids central vaut -4 et les quatre voisins directs valent chacun +1. Appliquer ce noyau à un pixel revient à calculer la différence entre l’intensité de ce pixel et la moyenne de ses quatre voisins — la version discrète de notre question « comment ce point se compare-t-il à son entourage ? ».

Points d’attention pratiques

Le filtrage laplacien brut est sensible au bruit. Un pixel bruité produit un pic d’intensité aigu, et le laplacien le signalera comme un contour.

La solution classique consiste à lisser d’abord l’image avec un flou gaussien, puis à appliquer le laplacien. Cette combinaison s’appelle le Laplacian of Gaussian (LoG). Le gaussien supprime le bruit, et le laplacien détecte les vrais contours.

En deep learning, les réseaux de neurones convolutionnels apprennent leurs propres filtres de détection de contours à partir des données — mais ces filtres ressemblent souvent au noyau laplacien. D’une certaine manière, les réseaux redécouvrent les mêmes principes que ceux de la vision par ordinateur classique.

Laplacien discret vs continu

Le laplacien recouvre trois idées apparentées, qui apparaissent selon les contextes.

Savoir de quelle version vous parlez évite bien des confusions entre manuels d’analyse, code numérique et articles de ML sur graphes.

Le laplacien continu

Le laplacien continu vient de l’analyse. Pour une fonction lisse f définie sur un espace continu, c’est la somme des dérivées partielles secondes :

Le laplacien continu

Cette version suppose que votre fonction est lisse et dérivable partout. C’est la base théorique — mais les données réelles ne sont jamais continues. Vous ne pouvez pas calculer des dérivées exactes sur une grille de pixels ou un tableau de mesures.

Le laplacien discret

En passant des fonctions continues aux données échantillonnées, les dérivées sont remplacées par des différences finies — des approximations calculées à partir des valeurs voisines.

Pour une fonction 1D échantillonnée à intervalles réguliers, la dérivée seconde discrète au point i est :

Le laplacien discret

Vous comparez la valeur en i à celles de ses deux voisins. La même idée s’étend aux grilles 2D (images), aux volumes 3D, etc. Les noyaux de convolution vus plus haut en traitement d’images ne sont rien d’autre que des approximations en différences finies du laplacien continu, appliquées à une grille de pixels.

Cette discrétisation rend le laplacien calculable dans les méthodes numériques et les pipelines ML. Chaque fois que vous appliquez un filtre laplacien en code, vous exécutez une approximation en différences finies, pas l’opérateur exact d’analyse.

Le laplacien de graphe

Le laplacien de graphe pousse la discrétisation un cran plus loin. Au lieu d’une grille régulière à pas uniforme, vous avez un ensemble arbitraire de nœuds reliés par des arêtes de poids variables.

Ici, il n’y a pas de notion de « pixel voisin » — seulement des nœuds et leurs connexions. Le laplacien de graphe L = D - A remplace la structure en différences finies par l’adjacence. La question reste la même : comment la valeur d’un nœud se compare-t-elle à celle de ses voisins ? Mais « voisins » est maintenant défini par le graphe, et non par la proximité spatiale.

Pourquoi c’est important en ML

La plupart des données ML ne vivent pas sur une grille régulière. Molécules, réseaux sociaux, graphes de connaissances, nuages de points 3D : autant de structures irrégulières. Impossible d’y appliquer un laplacien en différences finies standard.

Le laplacien de graphe résout ce problème en rendant la notion de voisinage explicite via la matrice d’adjacence. C’est ce qui permet aux réseaux de neurones sur graphes et aux méthodes spectrales d’appliquer des opérations basées sur le laplacien à des données sans système de coordonnées naturel.

Exemple guidé : calculer un laplacien

Rendons cela concret avec deux exemples — un continu, un sur graphe.

Exemple 1 : laplacien continu de f(x, y) = x² + y²

Considérons la fonction f(x, y) = x² + y². C’est un paraboloïde simple — une forme de bol qui se courbe vers le haut dans toutes les directions.

Pour calculer le laplacien, il faut la dérivée partielle seconde par rapport à chaque variable.

D’abord par rapport à x :

Calcul du laplacien continu (1)

Puis par rapport à y :

Calcul du laplacien continu (2)

Il suffit maintenant de les sommer :

Calcul du laplacien continu (3)

Le laplacien vaut partout 4. Logique : un paraboloïde a la même courbure en tout point. La valeur positive indique une courbure vers le haut dans toutes les directions, conforme à la forme de bol.

Exemple 2 : laplacien de graphe pour un petit graphe

Considérons un graphe de 4 nœuds avec les arêtes suivantes :

• Le nœud 1 est relié aux nœuds 2 et 3
• Le nœud 2 est relié aux nœuds 1 et 4
• Le nœud 3 est relié au nœud 1
• Le nœud 4 est relié au nœud 2

La matrice d’adjacence A encode ces connexions :

Calcul du laplacien de graphe (1)

La matrice des degrés D place le nombre de connexions de chaque nœud sur la diagonale :

Calcul du laplacien de graphe (2)

Les nœuds 1 et 2 ont chacun 2 connexions. Les nœuds 3 et 4 en ont chacun 1.

Enfin, on soustrait pour obtenir L = D - A :

Calcul du laplacien de graphe (3)

Comment lire cette matrice : la ligne 1 dit : le nœud 1 a un degré de 2, et il est connecté aux nœuds 2 et 3 (entrées -1). La ligne 3 dit : le nœud 3 a un degré de 1, connecté uniquement au nœud 1. Les zéros indiquent les paires sans arête commune.

Vous pouvez aussi le vérifier en Python :

import numpy as np

A = np.array([
    [0, 1, 1, 0],
    [1, 0, 0, 1],
    [1, 0, 0, 0],
    [0, 1, 0, 0]
])

D = np.diag(A.sum(axis=1))
L = D - A

print(L)

Calcul du laplacien de graphe en Python

Sources de confusion courantes

Le laplacien est proche d’autres concepts, et les différences ne sautent pas toujours aux yeux à la seule lecture des noms. Dans cette section, je clarifie les points qui prêtent à confusion.

Laplacien vs gradient

Le gradient ∇f est un vecteur. Il pointe vers la direction d’augmentation la plus forte et sa norme indique la vitesse d’ascension de la fonction. Il repose sur les dérivées premières.

Le laplacien ∇²f est un scalaire. Il n’indique pas la direction à suivre — il renseigne sur la forme de la fonction en un point. Il est construit à partir de dérivées secondes.

Laplacien vs hessienne

C’est la confusion la plus fréquente.

La hessienne H est la matrice de toutes les dérivées partielles secondes. Pour une fonction à n variables, c’est une matrice n × n qui décrit la variation du gradient le long de chaque paire d’axes. Elle donne l’image complète de la courbure.

Le laplacien est la trace de la hessienne — la somme de ses éléments diagonaux. Vous perdez l’information hors diagonale, mais vous obtenez un scalaire rapide à calculer.

Utilisez la hessienne quand vous avez besoin du détail complet. Utilisez le laplacien quand un résumé scalaire suffit.

Laplacien de graphe vs opérateur différentiel

Ils partagent un nom et la même intuition, mais opèrent sur des objets totalement différents.

Le laplacien différentiel agit sur des fonctions lisses et continues. Il requiert des dérivées, donc suppose la différentiabilité partout.

Le laplacien de graphe L = D - A agit sur des graphes — structures discrètes de nœuds et d’arêtes. Aucune dérivée n’est impliquée. Il mesure, via des opérations matricielles, en quoi la valeur d’un nœud diffère de celle de ses voisins.

Le lien est conceptuel, pas computationnel. Tous deux mesurent l’écart local par rapport à une moyenne de voisinage, mais restent de nature différente.

Conventions de signe

Certains domaines définissent le laplacien avec un signe négatif : -∇²f. Vous le verrez en physique et dans certains articles de ML sur les GNN. Le laplacien négatif −L est semi-défini positif, ce qui donne de meilleures propriétés pour certains problèmes d’optimisation et simplifie l’analyse spectrale.

Quand vous lisez un article où les valeurs propres du laplacien sont toutes non négatives, vérifiez s’il utilise L ou -L. Les mathématiques sont équivalentes, mais mélanger les conventions peut conduire à des erreurs.

Pourquoi le laplacien compte en data science

À ce stade, vous avez vu le laplacien en analyse, théorie des graphes, traitement d’images et optimisation. Le même opérateur résout le même problème fondamental dans des contextes différents : mesurer comment une valeur en un point se rapporte à son voisinage.

Voici où cela apparaît en data science :

• ML sur graphes : le laplacien de graphe L = D - A est la base des méthodes spectrales. Dès que vos données ont une structure en graphe, le laplacien fournit une matrice qui encode toute la connectivité, exploitable par l’algèbre linéaire

• Clustering : le clustering spectral utilise les vecteurs propres de L pour trouver des groupes que les méthodes purement distancielles manquent. Il fonctionne bien lorsque les clusters ne sont ni convexes ni séparables linéairement

• Apprentissage semi-supervisé : de nombreuses méthodes propagent les labels des nœuds étiquetés vers les non étiquetés via le laplacien de graphe. On suppose que des nœuds connectés partagent probablement le même label, et le laplacien quantifie la « douceur » attendue de la variation des labels dans le graphe

• Apprentissage de variétés : des algorithmes comme Laplacian Eigenmaps utilisent le laplacien de graphe pour trouver des représentations de faible dimension de données de grande dimension. Les vecteurs propres de L conservent la proximité entre points

• Extraction de caractéristiques d’images : le laplacien discret détecte les contours et zones de forte variation d’intensité. Ces caractéristiques alimentent des pipelines de vision classiques et servent de priors en deep learning

En résumé, le laplacien fait partie des rares outils mathématiques qui passent d’une équation d’analyse à des réseaux de neurones sur graphes à grande échelle.

Conclusion

Le laplacien naît comme opérateur d’analyse pour mesurer la courbure des fonctions continues. Dans le ML sur graphes, il devient une matrice qui encode toute la structure d’un réseau. L’idée centrale reste identique, seule la forme change.

Inscrivez-vous à notre cours Linear Algebra for Data Science in R pour pratiquer de nombreux concepts abordés dans cet article.