改进的基于图的SFA：信息保持补充缓慢性原理
计算机视觉与模式识别
2016-01-18 v1 机器学习
机器学习
摘要
慢特征分析（SFA）是一种从无多维时间序列中提取缓慢变化特征的无监督学习算法。SFA的一种用于分类和回归的监督扩展是基于图的SFA（GSFA）。GSFA基于相似性的保持，这些相似性由从标签导出的图结构指定。已表明分层GSFA（HGSFA）允许从图像和其他高维数据学习。HGSFA所跨越的特征空间由于网络中节点的非线性组合而复杂。然而，我们表明该网络在到达更高节点之前过早丢弃有用信息，导致次优的全局缓慢性和未充分利用的特征空间。为应对这些问题，我们提出一种称为分层信息保持GSFA（HiGSFA）的扩展，其中信息保持补充了缓慢性最大化目标。我们构建了一个10层HiGSFA网络，从MORPH-II数据库的面部照片估计人类年龄，实现了3.50 years的平均绝对误差，改进了最先进性能。HiGSFA和HGSFA支持多标签，并提供丰富的特征空间、前馈训练以及样本和维度数量的线性复杂度。此外，HiGSFA在特征缓慢性、估计精度和输入重建方面优于HGSFA，产生了一种有前景的分层监督学习方法。
引用
@article{arxiv.1601.03945,
title = {Improved graph-based SFA: Information preservation complements the slowness principle},
author = {Alberto N. Escalante-B. and Laurenz Wiskott},
journal= {arXiv preprint arXiv:1601.03945},
year = {2016}
}
备注
40 pages, 9 figures, 9 tables, submitted to Pattern Recognition