向量量化与函数逼近的规范失真度量
机器学习
2019-11-15 v1 机器学习
摘要
为衡量一组向量量化点的质量，需要一种度量随机点与其量化之间距离的方法。诸如 Hamming 与 Euclidean 度量的常见度量，尽管数学上简单，却不适合比较语音或图像等自然信号。本文展示了输入空间 上的一组函数“环境”如何在 X 上诱导出一个“规范失真度量”（CDM）。称其为“规范”是因为证明了：相对于 CDM 优化 X 的重构误差，可得到环境中函数的最优分段常数逼近。针对若干不同函数类，以闭式计算了 CDM。提出了一种训练神经网络以实现 CDM 的算法，并给出了一些令人鼓舞的实验结果。
引用
@article{arxiv.1911.06319,
title = {The Canonical Distortion Measure for Vector Quantization and Function Approximation},
author = {Jonathan Baxter},
journal= {arXiv preprint arXiv:1911.06319},
year = {2019}
}