知识卡片
稀疏自编码器
稀疏自编码器在重构误差上叠加对编码的稀疏惩罚 Ω(h),使表示必须反映训练数据的独特统计特征而非充当恒等函数,常用于分类等任务的特征学习。与权重衰减不同,这个依赖数据的惩罚项没有简单的参数先验解释。但换一个视角,可把它看成带潜变量 h 的生成模型 p(h)p(x|h) 的近似最大似然训练:把 log p(h) 当作先验,Laplace 先验对应 L1 绝对值惩罚,Student-t 先验同样诱导稀疏。这样稀疏惩罚就不再是正则项,而决定了模型对潜变量的信念;学到的特征之所以有用,是因为这些潜变量能够解释输入。使用整流线性单元还能把表示真正推向零。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第14章 自编码器 · 查看原书依据
这个观点提供了训练自编码器的另一个动机:这是近似训练生成模型的一种途径。这也给出了为什么自编码器学到的特征是有用的另一个解释:它们描述的潜变量可以解释输入。
参考来源
- 位置:《深度学习》第14章 自编码器(源文件:extracted/深度学习/_epub-src/text/part0005_split_000.html)
- 结论依据:原文把稀疏惩罚重新解释为对潜变量先验的近似最大似然,并据此给出特征有用性的另一种解释。
- 原始内容:这个观点提供了训练自编码器的另一个动机:这是近似训练生成模型的一种途径。这也给出了为什么自编码器学到的特征是有用的另一个解释:它们描述的潜变量可以解释输入。