卷积制胜：基于维纳滤波器的数据比较

对数据样本间差异和/或相似性的定量评估定义并塑造了与学习数据分布相关的优化问题。当前比较数据的方法常受限于难以捕捉此类分布，或缺乏用于优化的理想数学性质（如平滑性、可微性或凸性）。本文受维纳滤波器理论启发，引入一种衡量配对样本间（不）相似性的新方法。维纳滤波器的卷积特性使我们能够以全局相关的方式全面比较数据样本。我们在四个机器学习应用中验证了该方法：数据压缩、医学图像填补、平移分类与非参数生成建模。结果表明，与传统的均方误差类实现相比，重建图像分辨率更高、感知质量更好、数据保真度更高，且对平移具有鲁棒性。