和-积-变换网络：利用可逆变换发掘对称性
机器学习
2020-05-05 v1 机器学习
摘要
在这项工作中，我们提出和-积-变换网络（SPTN），它是和积网络的扩展，使用可逆变换作为附加内部节点。变换的类型和位置决定了所得 SPTN 的性质，并有许多有趣的特殊情况。重要的是，具有高斯叶节点和仿射变换的 SPTN 提出了与 SPN 中可高效计算相同的易处理推理任务。我们提议使用 Givens 旋转集合对酉矩阵的高效参数化，以 SVD 分解存储仿射变换。最后但并非最不重要的是，我们证明 G-SPTN 在密度估计任务上取得了 SOTA 结果，并在异常检测上与最先进方法具有竞争力。
引用
@article{arxiv.2005.01297,
title = {Sum-Product-Transform Networks: Exploiting Symmetries using Invertible Transformations},
author = {Tomas Pevny and Vasek Smidl and Martin Trapp and Ondrej Polacek and Tomas Oberhuber},
journal= {arXiv preprint arXiv:2005.01297},
year = {2020}
}