基于加权共轭特征对偶的鲁棒生成式受限核机器
机器学习
2020-06-24 v3 计算机视觉与模式识别
机器学习
摘要
在过去十年中，对生成模型的研究兴趣大幅增长。然而，其训练性能可能受到污染的 adversely 影响，即异常值被编码到模型的表示中，从而导致生成带噪声的数据。本文在受限核机器（RKM）框架下引入加权共轭特征对偶。RKM 公式使得经典鲁棒统计方法易于集成。该公式用于基于最小协方差行列式（一种高度鲁棒的多元位置与散布估计量）的加权函数对生成式 RKM 的潜空间进行微调。实验表明，当训练数据中存在污染时，加权 RKM 能够生成干净的图像。我们进一步通过标准数据集上的定性与定量实验表明，该鲁棒方法还能保持不相关特征学习。
引用
@article{arxiv.2002.01180,
title = {Robust Generative Restricted Kernel Machines using Weighted Conjugate Feature Duality},
author = {Arun Pandey and Joachim Schreurs and Johan A. K. Suykens},
journal= {arXiv preprint arXiv:2002.01180},
year = {2020}
}