从变换无标签数据中获取最大间隔不变特征
机器学习
2017-10-25 v1 人工智能
计算机视觉与模式识别
摘要
研究对数据常见变换具有不变性的表示对学习至关重要。大多数技术聚焦于在缺乏显式理论保证的昂贵优化框架内实现的局部近似不变性。在本文中，我们研究对酉群不变且在解决标记数据变换版本不可用这一重要实际问题时具有理论保证的核。我们将其称为无标签变换问题，这是半监督学习和单样本学习的一种特殊形式。我们提出了一种有理论依据的替代方法用于不变核 SVM，并基于此提出了最大间隔不变特征（MMIF）来解决该问题。作为示例，我们设计了一个人脸识别框架，并在一个包含 153,000 张图像的大规模半合成数据集以及 Labelled Faces in the Wild（LFW）的新挑战性协议上展示了我们方法的有效性，同时超越了强基线方法。
引用
@article{arxiv.1710.08585,
title = {Max-Margin Invariant Features from Transformed Unlabeled Data},
author = {Dipan K. Pal and Ashwin A. Kannan and Gautam Arakalgud and Marios Savvides},
journal= {arXiv preprint arXiv:1710.08585},
year = {2017}
}
备注
Accepted at NIPS 2017