深度核化自编码器
机器学习
2017-02-09 v1 机器学习
神经与进化计算
摘要
本文介绍了深度核化自编码器，一种神经网络模型，可显式逼近(i)从输入空间到任意用户指定核空间的映射，以及(ii)从该核空间到输入空间的反向投影。所提方法基于传统自编码器，并通过一种新的无监督损失函数进行训练。在训练过程中，我们同时优化输入样本的重构精度，以及作为先验给定的核矩阵与自编码器计算的隐藏表示内积之间的对齐。核对齐提供了对自编码器所学隐藏表示的控制。我们进行了实验以评估重构与核对齐性能。此外，我们将该方法应用于去噪任务上模拟 kPCA，获得了有前景的结果。
引用
@article{arxiv.1702.02526,
title = {Deep Kernelized Autoencoders},
author = {Michael Kampffmeyer and Sigurd Løkse and Filippo Maria Bianchi and Robert Jenssen and Lorenzo Livi},
journal= {arXiv preprint arXiv:1702.02526},
year = {2017}
}