通过核自编码器自编码任意数据
机器学习
2020-12-03 v3 机器学习
摘要
本文研究一种基于核方法的数据表征新算法途径。假设观测位于 Hilbert 空间 X 中，所引入的核自编码器（KAE）是从向量值再生核 Hilbert 空间（vv-RKHSs）到自身的映射之复合，以最小化期望重构误差。除将自编码框架首次推广至可能无限维的 Hilbert 空间外，KAE 进一步允许通过取 X 自身为 RKHS 来对任意类型的数据自编码。我们对模型进行了理论分析，给出了泛化界，并阐明了其与核主成分分析的联系。随后详尽给出了所提算法：它们关键依赖于由专用表示定理揭示的极小化者形式。最后，在模拟数据与真实带标签图（分子）上的数值实验提供了 KAE 性能的经验证据。
引用
@article{arxiv.1805.11028,
title = {Autoencoding any Data through Kernel Autoencoders},
author = {Pierre Laforgue and Stephan Clémençon and Florence d'Alché-Buc},
journal= {arXiv preprint arXiv:1805.11028},
year = {2020}
}