毫无压力！解决流形学习算法中的局部极小值问题
机器学习
2019-12-30 v2 机器学习
摘要
非线性嵌入流形学习方法为高维数据的结构提供了宝贵的可视化洞察。然而，由于复杂的非凸目标函数，这些方法很容易陷入局部极小值，导致嵌入质量不佳。我们为几种流形学习方法提出了一个自然的扩展，旨在识别受压点，即陷入较差局部极小值且嵌入质量差的点。我们证明，通过暂时允许这些点在嵌入空间中使用额外的维度，可以降低目标函数值。我们的方法能够在现有方法陷入较差的局部极小值后，仍改善其目标函数值。
引用
@article{arxiv.1906.11389,
title = {No Pressure! Addressing the Problem of Local Minima in Manifold Learning Algorithms},
author = {Max Vladymyrov},
journal= {arXiv preprint arXiv:1906.11389},
year = {2019}
}
备注
10 pages, NeurIPS 2019