基于连续 k 近邻图的局部距离保持自编码器
机器学习
2022-10-03 v2
摘要
保持数据中相似性的自编码器模型是表示学习中的流行工具。本文中我们引入若干在从数据空间映射到潜空间时保持局部距离的自编码器模型。我们使用基于连续 k 近邻图的局部距离保持损失，该图已知可同时捕捉所有尺度下的拓扑特征。为提升训练性能，我们将学习表述为以局部距离保持为主要目标、以重建精度为约束的约束优化问题。我们将此方法推广至层次变分自编码器，从而学习具有几何一致潜空间与数据空间的生成模型。我们的方法在多个标准数据集与评估指标上提供了最先进的性能。
引用
@article{arxiv.2206.05909,
title = {Local Distance Preserving Auto-encoders using Continuous k-Nearest Neighbours Graphs},
author = {Nutan Chen and Patrick van der Smagt and Botond Cseke},
journal= {arXiv preprint arXiv:2206.05909},
year = {2022}
}