几何自编码器——所见即所解码
机器学习
2023-07-03 v1
摘要
可视化是探索性数据分析中的关键步骤。一种可能的途径是训练具有低维潜空间的自编码器。较大的网络深度与宽度有助于展开数据。然而，此类具表达力的网络即使潜表示失真也能实现低重建误差。为避免此类误导性可视化，我们首先提出解码器的微分几何视角，从而得出针对嵌入失真的深刻诊断方法，其次提出缓解此种失真的新正则化项。我们的“几何自编码器”避免虚假拉伸嵌入，使可视化更忠实地捕捉数据结构。它还能标记难以实现低失真的区域，从而防范误读。
引用
@article{arxiv.2306.17638,
title = {Geometric Autoencoders -- What You See is What You Decode},
author = {Philipp Nazari and Sebastian Damrich and Fred A. Hamprecht},
journal= {arXiv preprint arXiv:2306.17638},
year = {2023}
}
备注
24 pages, ICML 2023