深度稀疏編碼模型及應(yīng)用.pdf

1、最近這幾年稀疏編碼(Sparse Coding)在很多領(lǐng)域取得了巨大的成功,包括數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺等。稀疏編碼提供了一種學(xué)習(xí)出一組超完備基函數(shù)的無監(jiān)督算法,從而能夠通過線性組合基函數(shù)的一小部分子集來重構(gòu)原有的信號(hào)。當(dāng)前大多數(shù)稀疏編碼算法的一個(gè)缺點(diǎn)是需要進(jìn)行一些迭代最小化計(jì)算來為測試點(diǎn)推斷出稀疏表示(Sparse Representation),這說明這些算法很難進(jìn)行新樣本點(diǎn)的擴(kuò)展。通過額外訓(xùn)練一個(gè)把輸入非線性地映射為稀疏表示

2、的回歸變量,可預(yù)測稀疏分解(Predictive Sparse Decomposition)可以很自然地應(yīng)用于新樣本點(diǎn)的擴(kuò)展。因此可預(yù)測稀疏分解成為了非常流行的一種稀疏編碼算法。然而,當(dāng)訓(xùn)練數(shù)據(jù)太少而不足以捕獲樣本中的變化時(shí),可預(yù)測稀疏分解可能在實(shí)際的應(yīng)用中無法取得令人滿意的效果。
　　這篇論文提出了一個(gè)新的模型—降噪可預(yù)測稀疏分解(Denoising Predictive Sparse Decomposition)算法,來獲得更