基于随机凸多面体的几何解耦度量
机器学习
2021-02-16 v2 度量几何
机器学习
摘要
我们提出一种用于度量深度学习所得表示质量的新几何方法。我们的方法称为随机多面体描述子（Random Polytope Descriptor），基于随机凸多面体的构建为数据点提供高效描述。我们通过定性比较经典与正则化自编码器的行为来展示该技术的使用。这揭示了对自编码器网络施加正则化可能会降低潜空间中的分布外检测性能。尽管我们的技术在思想上类似于 -means 聚类，我们在自编码数据集的聚类任务中实现了显著更好的假阳性/假阴性平衡。
引用
@article{arxiv.2009.13987,
title = {Geometric Disentanglement by Random Convex Polytopes},
author = {Michael Joswig and Marek Kaluba and Lukas Ruff},
journal= {arXiv preprint arXiv:2009.13987},
year = {2021}
}
备注
23 pages, preprint; extended experiments and theoretical analysis of RPD in v2