用于特征提取的关系式自编码器
机器学习
2018-02-22 v1 机器学习
摘要
随着数据维度不断升高，特征提取变得愈发重要。自编码器作为一种基于神经网络的特征提取方法，在生成高维数据的抽象特征方面取得了巨大成功。然而，它未能考虑数据样本之间的关系，而这可能会影响使用原始特征与新特征的实验结果。本文提出一种同时考虑数据特征及其关系的关系式自编码器（Relation Autoencoder）模型。我们还将其扩展以与其他主要自编码器模型协同工作，包括稀疏自编码器（Sparse Autoencoder）、去噪自编码器（Denoising Autoencoder）和变分自编码器（Variational Autoencoder）。所提出的关系式自编码器模型在一组基准数据集上进行了评估，实验结果表明，与其他自编码器变体相比，考虑数据关系能够生成更鲁棒的特征，从而获得更低的重构损失，并在后续分类中达到更低的错误率。
引用
@article{arxiv.1802.03145,
title = {Relational Autoencoder for Feature Extraction},
author = {Qinxue Meng and Daniel Catchpoole and David Skillicorn and Paul J. Kennedy},
journal= {arXiv preprint arXiv:1802.03145},
year = {2018}
}
备注
IJCNN-2017