在sparse coding模型中,学习到的基是超完备集的,也就是说基集中基的个数比数据的维数还要大,那么对一个数据而言,将其分解为基的线性组合时,这些基之间本身就是线性相关的。如果我们想要得到线性无关的基集,那么基集中元素的个数必须小于或等于样本的维数,本节所讲的ICA(Independent Component Analysis,独立成分分析)模型就可以完成这一要求,它学习到的基之间不仅保证线性无关,还保证了相互正交。本节主要参考的资料见:Independent Component Analysis
Deep learning--------------Independent Component Analysis(ICA)
最新推荐文章于 2021-06-09 16:14:12 发布
独立成分分析(ICA)是一种学习线性无关且正交基的模型,常用于数据分解。在深度学习中,ICA通过优化目标函数,确保基的线性无关性,并通过正交化约束得到正交矩阵。在优化过程中,使用梯度下降法并结合正交化步骤更新权重矩阵W。在实际应用中,对输入数据进行ZCA白化,但需要注意与PCA白化的区别,ICA模型中的正交化更新已包含了白化过程。
摘要由CSDN通过智能技术生成