用于数据流形无监督隐式参数化的耗散残差层
机器学习
2022-10-14 v1
摘要
我们提出一种用于数据流形无监督隐式参数化的技术。在我们的方法中，假设数据属于高维空间中更低维的流形，且数据点被视为起源于流形之外的轨迹的端点。在此假设下，数据流形是待估计的动力学系统的吸引流形。我们用残差神经网络参数化此类动力学系统，并提出一种谱局部化技术以确保其在数据附近局部吸引。我们还给出了所提残差层的初始化与额外正则化。% 我们称之为耗散瓶颈。我们指出了所考虑问题对强化学习任务的重要性，并以展示所提层在去噪与生成任务中性能的例子支撑我们的讨论。
引用
@article{arxiv.2210.07100,
title = {Dissipative residual layers for unsupervised implicit parameterization of data manifolds},
author = {Viktor Reshniak},
journal= {arXiv preprint arXiv:2210.07100},
year = {2022}
}