用于线性 ICA 的双射特征映射学习
机器学习
2021-02-01 v5 计算机视觉与模式识别
机器学习
摘要
将图像等高维数据分离为独立的潜在因子，即独立分量分析（ICA），仍是一个开放的研究问题。如我们所展示的，现有的为图像数据量身定制的概率深度生成模型（DGM），在非线性的 ICA 任务上表现不佳。为此，我们提出了一种 DGM，它将双射特征映射与线性 ICA 模型结合，以学习高维数据的可解释潜在结构。鉴于联合训练此类混合模型的复杂性，我们引入了新颖理论，将线性 ICA 约束在接近正交矩形矩阵流形（Stiefel 流形）之处。通过这样做，我们创建的模型收敛迅速、易于训练，并且在图像上比基于流的模型、线性 ICA 和变分自编码器取得更好的无监督潜在因子发现。
引用
@article{arxiv.2002.07766,
title = {Learning Bijective Feature Maps for Linear ICA},
author = {Alexander Camuto and Matthew Willetts and Brooks Paige and Chris Holmes and Stephen Roberts},
journal= {arXiv preprint arXiv:2002.07766},
year = {2021}
}
备注
8 pages