深度原型分析
机器学习
2020-01-27 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
“深度原型分析”以称为原型的可直观理解的基本实体的分数组合形式，生成高维数据集的潜在表示。所提方法是线性“原型分析”（AA）——一种将多变量数据点表示为数据集极值元素的稀疏凸组合的无监督方法——的扩展。与 AA 的原始表述不同，“深度 AA”还能处理侧信息，并提供数据驱动表示学习的能力，从而降低对专家知识的依赖。我们的方法受生物学中进化权衡研究的启发，其中原型是高度适应单一任务的物种。循此思路，我们展示了“深度 AA”也适用于化学空间的监督探索，为从头分子设计标志着一个独特的起点。在无监督设定下，我们展示了如何将“深度 AA”用于 CelebA 以识别原型人脸。这些人脸随后可被叠加，以生成继承其所基于原型主导特征的新人脸。
引用
@article{arxiv.1901.10799,
title = {Deep Archetypal Analysis},
author = {Sebastian Mathias Keller and Maxim Samarin and Mario Wieser and Volker Roth},
journal= {arXiv preprint arXiv:1901.10799},
year = {2020}
}
备注
Published at the German Conference on Pattern Recognition 2019 (GCPR)