使用生成核 PCA 进行潜空间探索
机器学习
2021-05-31 v1 机器学习
摘要
核 PCA 是一种强大的特征提取器，近来在受限核机器（RKMs）的框架下被重新表述。这些 RKM 允许以类似于受限玻尔兹曼机的隐单元与可见单元来表示核 PCA。这一联系带来了如何将其用于称为生成核 PCA 的生成过程的洞见。本文研究了利用生成核 PCA 探索数据集潜空间的方法。可通过在潜空间中逐步移动来生成新点，从而实现对各分量的解释。首先，展示了在三个数据集上的该特征空间探索示例，其中之一得到了 ECG 信号的可解释表示。随后，展示了该工具与新奇检测结合的使用，其中探索了数据中新颖模式周围的潜空间。这有助于解释为何某些点被视为新颖。
引用
@article{arxiv.2105.13949,
title = {Latent Space Exploration Using Generative Kernel PCA},
author = {David Winant and Joachim Schreurs and Johan A. K. Suykens},
journal= {arXiv preprint arXiv:2105.13949},
year = {2021}
}