具有对比归一化的消失分量分析
机器学习
2022-10-31 v1 符号计算
摘要
消失分量分析（VCA）计算样本消失理想的近似生成元，并进一步用于提取样本的非线性特征。近期研究表明，近似生成元的归一化起着重要作用，且不同归一化导致具有不同性质的生成元。在本文中，受近期自监督框架启发，我们提出一种用于 VCA 的对比归一化方法，其中我们强制生成元在目标样本上消失，并在变换样本上被归一化。我们从理论上表明对比归一化增强了 VCA 的判别力，并给出了我们归一化下 VCA 的代数解释。数值实验证明了我们方法的有效性。这是首项针对消失理想的近似生成元归一化进行定制以获取判别特征的研究。
引用
@article{arxiv.2210.16171,
title = {Vanishing Component Analysis with Contrastive Normalization},
author = {Ryosuke Masuya and Yuichi Ike and Hiroshi Kera},
journal= {arXiv preprint arXiv:2210.16171},
year = {2022}
}
备注
22pages, 1 figure