通过发散判别特征累积进行无监督特征学习
神经与进化计算
2014-06-11 v2 机器学习
摘要
与自编码器等学习重构输入的无监督方法不同，本文介绍了一种称为发散判别特征累积（DDFA）的无监督特征学习替代方法，该方法持续累积能够在训练集中做出新颖判别的特征。因此，DDFA 特征从一开始就具有内在的判别性，尽管其训练过程并不知晓最终的分类问题。有趣的是，DDFA 还能无限地添加新特征（因此不依赖于隐藏层大小），其基础并非最小化误差，且本质上是发散的而非收敛的，从而为无监督特征学习提供了独特的研究方向。本文在 MNIST 数据集上展示了其学习特征的质量，其性能证实 DDFA 确实是一种学习有用特征的可行技术。
引用
@article{arxiv.1406.1833,
title = {Unsupervised Feature Learning through Divergent Discriminative Feature Accumulation},
author = {Paul A. Szerlip and Gregory Morse and Justin K. Pugh and Kenneth O. Stanley},
journal= {arXiv preprint arXiv:1406.1833},
year = {2014}
}
备注
Corrected citation formatting