新的连续自编码网络流形学习研究

摘要：

发现高维观测数据空间的低维流形结构,是流形学习的主要目标.在前人利用神经网络进行非线性降维的基础上,提出一种新的连续自编码(Continuous Autoencoder,C-Autoencoder)网络,该方法特别采用CRBM(Continuous Restricted Bohzmann Ma-chine)的网络结构,通过训练具有多个中间层的双向深层神经网络可将高维连续数据转换成低维嵌套并继而重构高维连续数据.特别地,这种连续自编码网络可以提供高维连续数据空间和低维嵌套结构的双向映射,不仅有效解决了大多数非线性降维方法所不具备的逆向映射问题,而且特别适用于高维连续数据的降维和重构.将C-Antoencoder用于人工连续数据的实验表明,C-Au-toencoder不仅能发现嵌入在高维连续数据中的非线性流形结构,也能有效地从低维嵌套中恢复原始高维连续数据.

关键词：连续自编码网络(C-Autoencoder)、高维数据、降维、重构

所属期刊栏目：45

分类号：TP391(计算技术、计算机技术)

资助基金：国家科技攻关汁划子项目Sub-Project of the National Key Technologies R&D Program of China,Grant 2004BA111B01

在线出版日期：2009-12-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：154-156,223