进化单纯形学习：一种用于分类的生成式紧凑稀疏框架
机器学习
2020-05-19 v1 机器学习
摘要
用于稀疏表示的字典学习在许多重建任务中取得了成功。单纯形学习是字典学习的一种适配，其中子空间被裁剪并获得任意偏移，呈现单纯形的形式。这种适配是通过对稀疏编码的额外约束实现的。此外，可以选择进化方法来确定组成单纯形复合体的单纯形的数量和维度，其中偏好最具生成性和紧凑性的单纯形。本文提出一种进化单纯形学习方法，作为用于分类的生成式紧凑稀疏框架。该提出的方法首先应用于单类分类任务，并且在所考虑的基准中表现为最可靠的方法。当在多类分类任务中考虑进化单纯形学习时，观察到了最令人惊讶的结果。由于稀疏表示本质上是生成式的，它们存在一个基本问题，即无法区分位于同一子空间上的两个类别。该主张通过合成实验得到验证，并展示了即使仅作为生成式方法，单纯形学习也具有优越性。在高维情况下，单纯形学习相对于判别方法失去其优越性，但可进一步用判别元素修改以在分类任务中实现最先进的性能。
引用
@article{arxiv.2005.07076,
title = {Evolutionary Simplicial Learning as a Generative and Compact Sparse Framework for Classification},
author = {Yigit Oktar and Mehmet Turkan},
journal= {arXiv preprint arXiv:2005.07076},
year = {2020}
}