C-SURE：面向复值深度学习的收缩估计量与原型分类器
机器学习
2020-06-24 v1 机器学习
摘要
James-Stein (JS) 收缩估计量是一种有偏估计量，用于捕获高斯随机向量的均值。尽管它在均方误差 (MSE) 方面相对于最大似然估计量 (MLE) 具有支配性的理想统计性质，但在将该估计量扩展至流形值数据方面进展甚微。我们提出 C-SURE，一种在复值数据流形上 JS 估计量的新型 Stein 无偏风险估计 (SURE)，其具有相对于 MLE 理论上证明的最优性。通过调整复值 SurReal 分类器的架构，我们进一步将 C-SURE 整合进一个原型卷积神经网络 (CNN) 分类器中。我们在复值 MSTAR 与 RadioML 数据集上将 C-SURE 与 SurReal 以及一个实值基线进行比较。C-SURE 比 SurReal 更准确且更鲁棒，且对于相同的原型分类器，收缩估计量总是优于 MLE。如同 SurReal，C-SURE 规模小得多，在以低于基线规模 1%（3%）的参数量在 MSTAR（RadioML）上超越实值基线。
引用
@article{arxiv.2006.12590,
title = {C-SURE: Shrinkage Estimator and Prototype Classifier for Complex-Valued Deep Learning},
author = {Yifei Xing and Rudrasis Chakraborty and Minxuan Duan and Stella Yu},
journal= {arXiv preprint arXiv:2006.12590},
year = {2020}
}
备注
Submitted to CVPR PBVS workshop