用于多输出混合神经网络的核化矩阵成本族
机器学习
2025-10-09 v4 机器学习
摘要
基于两两距离的成本在自监督和对比式特征学习中至关重要。混合密度网络 (MDNs) 是一种广泛用于生成模型和密度近似的方法，利用神经网络产生多个中心来定义高斯混合。将 MDNs 与对比式成本结合，本文提出了一种用于学习定义混合密度所需的多个中心的四种类型核化矩阵成本方法，包括标量成本、向量-矩阵成本、矩阵-矩阵成本（ Schur 补数的迹）以及 SVD 成本（核范数），在希尔伯特空间中实现。
引用
@article{arxiv.2509.24076,
title = {A Family of Kernelized Matrix Costs for Multiple-Output Mixture Neural Networks},
author = {Bo Hu and José C. Príncipe},
journal= {arXiv preprint arXiv:2509.24076},
year = {2025}
}