EE-AE：一种排他性增强的无监督特征学习方法
机器学习
2019-04-02 v1 机器学习
摘要
无监督学习近来变得愈发重要。作为其关键组成部分之一，自编码器（AE）旨在学习数据的一种更鲁棒且更具判别力的潜在特征表示。然而，大多数基于AE的方法仅关注编码器-解码器阶段内的重构，忽略了数据的内在关系，即统计与几何依赖性，并容易导致过拟合。为处理该问题，我们提出一种排他性增强（EE）的无监督特征学习方法以改进常规AE。据我们所知，我们的研究首次利用此种排他性概念与AE内的特征提取相协作。此外，本文还对堆叠AE结构做出了一些改进，特别是针对来自解码器的不同层之间的连接，这可视为一种权重初始化尝试。实验结果表明，与其他相关方法相比，我们所提方法能取得显著性能。
引用
@article{arxiv.1904.00172,
title = {EE-AE: An Exclusivity Enhanced Unsupervised Feature Learning Approach},
author = {Jingcai Guo and Song Guo},
journal= {arXiv preprint arXiv:1904.00172},
year = {2019}
}