基于签名变换的学习
计算机视觉与模式识别
2022-05-20 v3
摘要
本工作中,我们研究了 Signature Transform(签名变换)在学习语境下的使用。在此假设下,我们提出一种监督框架,其潜在地以极少标签提供最先进的分类精度,无需信用分配且极少或没有过拟合。我们利用调和分析工具,通过签名与对数签名,并采用 RMSE 与 MAE 的签名和对数签名作为评分函数。我们推导了计算可能良好的最优尺度因子的闭式方程,以及通过优化获得它们的公式。信号处理技术被用以进一步刻画该问题。分类在 CPU 层级以比其他方法快数个数量级的速度执行。我们在 AFHQ、MNIST 和 CIFAR10 上报告了结果,在假设测试时可确定每个类别使用哪个可能良好的最优尺度因子的前提下,在所有任务上达到了 100% 精度。
引用
@article{arxiv.2204.07953,
title = {Learning with Signatures},
author = {J. de Curtò and I. de Zarzà and Hong Yan and Carlos T. Calafate},
journal= {arXiv preprint arXiv:2204.07953},
year = {2022}
}