将慢特征分析作为变分推断目标
机器学习
2025-06-03 v1 机器学习
摘要
这项工作通过变分推断的视角，提出了一种对慢特征分析 (SFA) 的新颖概率解释。与先前从具有线性发射的高斯状态空间模型中恢复线性 SFA 的表述不同，这种方法放宽了线性的关键约束。虽然它不能实现与非线性 SFA 的完全等价，但它在变分框架中重新构建了经典的慢度目标。具体而言，它允许将慢度目标解释为重建损失的正则化项。此外，我们提供了论证，说明为什么从慢度优化的角度来看，重建损失承担了确保 SFA 中信息量的约束的作用。我们最后讨论了潜在的新研究方向。
引用
@article{arxiv.2506.00580,
title = {Slow Feature Analysis as Variational Inference Objective},
author = {Merlin Schüler and Laurenz Wiskott},
journal= {arXiv preprint arXiv:2506.00580},
year = {2025}
}