利用局部变换学习不变表示
机器学习
2012-07-03 v1 计算机视觉与模式识别
机器学习
摘要
学习不变表示是机器学习和模式识别中的一个重要问题。在本文中，我们提出了一种新的变换不变特征学习框架，通过将线性变换融入特征学习算法。例如，我们提出了变换不变受限玻尔兹曼机，通过其权重及其变换紧凑地表示数据，并通过概率最大池化实现特征表示的不变性。此外，我们展示了我们的变换不变特征学习框架也可以扩展到其他无监督学习方法，如自编码器或稀疏编码。我们在多个图像分类基准数据集（如MNIST变体、CIFAR-10和STL-10）上评估了我们的方法，并展示了与最先进方法相比具有竞争力或更优的分类性能。此外，我们的方法在TIMIT数据集上的音素分类任务中达到了最先进的性能，这证明了我们提出的算法在其他领域的广泛适用性。
引用
@article{arxiv.1206.6418,
title = {Learning Invariant Representations with Local Transformations},
author = {Kihyuk Sohn and Honglak Lee},
journal= {arXiv preprint arXiv:1206.6418},
year = {2012}
}
备注
Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)