유사도에서 이동 확률로
비음수 대칭 유사도 행렬을 만든 뒤 각 행의 합으로 나누면 한 단계 전이 확률을 얻는다. 점 i에서 어느 점으로 이동할지를 이 행이 나타낸다. 행 합이 0인 점은 별도로 처리해야 한다. 대칭 유사도에서 시작해도 행 정규화한 전이 행렬 자체가 반드시 대칭인 것은 아니다.
여러 경로를 함께 보는 거리
직접 가까운지뿐 아니라 여러 단계를 거쳐 도달하는 확률 분포가 비슷한지도 비교한다. 하나의 최단 경로 길이만 사용하는 방식과 달리 다양한 연결 경로가 영향을 준다. 확산 시간이 바뀌면 국소 이웃에서 더 넓은 구조로 분석 척도가 바뀔 수 있다.
시간에 따른 좌표 축소
두 점의 전이 행렬이 [[0.9,0.1],[0.1,0.9]]이면 고유값은 1과 0.8이다. 상수 방향을 제외한 고유벡터 (1,−1)에 시간 가중 0.8ᵗ를 곱하면 한 단계에서 ±0.8, 두 단계에서 ±0.64가 된다. 고유벡터의 정규화 배율은 따로 정하며 이 숫자는 시간 가중의 효과를 보여 준다.
커널과 표본 밀도의 영향
어떤 커널과 정규화를 사용하는지에 따라 표본 밀도와 기하가 표현에 미치는 비중이 달라진다. 시간을 너무 크게 하면 연결된 그래프의 여러 차이가 거의 사라질 수 있다. 유사도 척도와 남길 좌표 수를 바꾸어 구조의 안정성을 확인해야 하며 낮은 차원 그림만으로 군집의 실재를 확정하지 않는다.
관련 문서
라플라시안 고유사상 / 마르코프 연쇄 / 고유값 / 차원 축소 / 다양체 학습 / 스펙트럼 군집화