一种新型栈式自编码器：邻域样本包络嵌入的栈式自编码器集成模型

栈式自编码器作为一种代表性的深度网络，在特征学习方面具有独特且优异的性能，受到了研究者的广泛关注。然而，现有的深度栈式自编码器仅关注原始样本，未考虑样本间的层次结构信息。为解决这一局限，本文提出了一种新型栈式自编码器模型——邻域包络嵌入的栈式自编码器集成模型。首先，提出了邻域样本包络学习机制，用于对栈式自编码器的输入进行预处理。该机制通过组合邻近样本来构建样本对。此外，该机制通过多层迭代均值聚类构建多层样本空间，考虑了相似样本并生成了具有层次结构信息的包络样本层。其次，提出了一种嵌入式的栈式自编码器，并在每层样本空间中训练，以在训练过程和网络结构中考虑原始样本，从而更好地发现原始特征样本与深层特征样本之间的关系。第三，分别在包络样本的各层上进行特征降维和基分类器训练，并输出每层样本的分类结果。最后，通过集成机制融合各层包络样本空间的分类结果。在实验部分，所提算法在十余个代表性公开数据集上进行了验证。结果表明，我们的方法相比现有的传统特征学习方法及代表性深度自编码器，性能有显著提升。