利用 k-稀疏先验改进近似鲁棒主成分分析
神经与进化计算
2014-12-30 v1 机器学习
摘要
以过程为中心的鲁棒主成分分析（RPCA）视图允许基于一种在所有层之间共享权重的特殊形式深度神经网络，实现其快速近似。然而，经验表明，这种对 RPCA 的快速近似无法找到稀疏的表示。我们通过放宽逐元素的 L1 和 L2 先验，转而利用结构诱导的 k-稀疏先验来解决这些不良局部极小值问题。在判别分类任务中，新学习到的表示显著优于原始近似 RPCA 公式得到的表示。
引用
@article{arxiv.1412.8291,
title = {Improving approximate RPCA with a k-sparsity prior},
author = {Maximilian Karl and Christian Osendorfer},
journal= {arXiv preprint arXiv:1412.8291},
year = {2014}
}