大间隔低秩张量分析
机器学习
2013-06-13 v1 数值分析
摘要
除了向量表示外，人类认知的直接对象通常是高阶张量，例如 2D 图像和 3D 纹理。基于这一事实，自然产生了两个有趣的问题：人脑如何以“流形”方式表示这些张量感知，以及如何在“流形”上识别它们？在本文中，我们提出了一种监督模型来学习嵌入在高维欧几里得空间中的张量的内在结构。通过定点延续过程，我们的模型自动且联合地发现最优维数和低维嵌入的表示。这使其成为人脑认知过程的有效模拟。此外，基于学习到的低维嵌入之间相似性的模型泛化能力，可视为人脑识别的对应物。在物体识别和人脸识别应用上的实验表明，我们提出的模型优于最先进的方法。
引用
@article{arxiv.1306.2663,
title = {Large Margin Low Rank Tensor Analysis},
author = {Guoqiang Zhong and Mohamed Cheriet},
journal= {arXiv preprint arXiv:1306.2663},
year = {2013}
}
备注
30 pages