面向无监督降维的局部深度特征对齐
计算机视觉与模式识别
2019-04-23 v1
摘要
本文提出一种名为局部深度特征对齐（Local Deep-Feature Alignment, LDFA）的无监督深度学习框架，用于降维。我们为每个数据样本构建邻域，并从该邻域中学习一个局部堆叠收缩自编码器（Stacked Contractive Auto-encoder, SCAE）以提取局部深度特征。接着，我们利用仿射变换将每个邻域的局部深度特征与全局特征对齐。此外，我们由 LDFA 推导出一种方法，可将新数据样本显式地映射到所学习的低维子空间中。LDFA 方法的优势在于它同时学习了数据集的局部与全局特性：局部 SCAE 捕获数据集中包含的局部特征，而全局对齐过程将邻域间的相互依赖关系编码进最终的低维特征表示中。在数据可视化、聚类和分类上的实验结果表明，LDFA 方法与几种知名的降维技术相比具有竞争力，并且利用深度学习中的局部性是一个值得进一步探索的研究课题。
引用
@article{arxiv.1904.09747,
title = {Local Deep-Feature Alignment for Unsupervised Dimension Reduction},
author = {Jian Zhang and Jun Yu and Dacheng Tao},
journal= {arXiv preprint arXiv:1904.09747},
year = {2019}
}