剧集
时间对比学习和非线性 ICA 的非监督特征提取
替换为 Aapo Hyvarinen
非线性独立组件分析（ICA）为无监督特征学习提供了一个有吸引力的框架，但到目前为止提出的模型是无法识别的。 在这里，我们首先提出了一个新的直观原则，即使用数据的非固定结构从时序进行无监督深度学习。 我们的学习原则，时间对比学习（TCL），找到一种表示形式，允许对时间段（窗口）进行最佳歧视。 令人惊讶的是，当重新定义 ICA 以包括时态非固定性时，TCL 如何与非线性 ICA 模型相关。 特别是，我们表明，TCL 与线性 ICA 相结合，估计非线性 ICA 模型与源的点位转换，此解决方案是唯一的---因此为非线性 ICA 提供第一个可识别性结果，这是严格、建设性的，以及非常普遍的。
非线性独立组件分析（ICA）为无监督特征学习提供了一个有吸引力的框架，但到目前为止提出的模型是无法识别的。 在这里，我们首先提出了一个新的直观原则，即使用数据的非固定结构从时序进行无监督深度学习。 我们的学习原则，时间对比学习（TCL），找到一种表示形式，允许对时间段（窗口）进行最佳歧视。 令人惊讶的是，当重新定义 ICA 以包括时态非固定性时，TCL 如何与非线性 ICA 模型相关。 特别是，我们表明，TCL 与线性 ICA 相结合，估计非线性 ICA 模型与源的点位转换，此解决方案是唯一的---因此为非线性 ICA 提供第一个可识别性结果，这是严格、建设性的，以及非常普遍的。
视频 URL
HTML iframe
想提供反馈？ 在此处提交问题。