关于传统、模糊和基于零空间的独立性准则变体以改进监督和无监督学习的研究
机器学习
2025-07-30 v1 人工智能
机器学习
摘要
无监督和监督学习方法通常使用核函数来捕获数据结构中固有的非线性。然而，专家必须确保他们提出的非线性能够最大化变异性并捕获数据的内在多样性。我们回顾了所有用于设计无监督学习器的独立性准则。然后，我们提出了3个独立性准则，并用它们设计了无监督和监督的降维方法。我们在线性和神经非线性设置中评估了这些方法的对比度、准确性和可解释性。结果表明，这些方法优于基线方法(tSNE、PCA、正则化LDA、带有(无)监督学习器和层共享的VAE)，并为研究人员开辟了一条新的可解释机器学习(ML)路线。
引用
@article{arxiv.2507.21136,
title = {A Study on Variants of Conventional, Fuzzy, and Nullspace-Based Independence Criteria for Improving Supervised and Unsupervised Learning},
author = {Mojtaba Moattari},
journal= {arXiv preprint arXiv:2507.21136},
year = {2025}
}