环面流形的自组织因子化编码
机器学习
2007-05-23 v2 计算机视觉与模式识别
摘要
本文解析地说明了如何最优地利用神经网络来编码源自环面流形的输入数据。考虑了双层网络的情形，其输出假定为一组离散的神经放电事件。网络目标函数度量当网络试图从其输出重构输入时所发生的平均欧氏误差。针对环面输入流形解析地求解这个优化问题，得到两类解：联合编码器，其中网络充当软向量量化器；以及因子化编码器，其中网络充当一对软向量量化器（环面的每个圆子空间各一个）。当观测到的放电事件数量较大时，对于较小的网络规模，因子化编码器更受青睐。这种自组织因子化编码可用于限制执行给定编码任务所需的网络规模，并将输入流形分解为其组成的子流形。
引用
@article{arxiv.cs/0410036,
title = {Self-Organised Factorial Encoding of a Toroidal Manifold},
author = {Stephen Luttrell},
journal= {arXiv preprint arXiv:cs/0410036},
year = {2007}
}
备注
46 pages, 11 figures, corrected equation 39