Abs:
自监督表示 NRE:neighborhood-relational encoding邻居相关编码
旧的unsupervised方法一般只注重用deep net抓取data中的重点,而忽视了他们和邻居之间的关系,这关系可以很有用。
NRE试图在流形上保持局部的邻居结构,这样会对远处的点更不敏感。
NRE实现为encoder-decoder结构,学习基于结点局部邻居的表示。
结果还行。
1. Intro:
目前的无监督学习大多是通过最小化重构误差(minimizing the reconstruction error)进行的。
AE的缺点:1)重建给定input的所有部分,包括那些没用的node;2)这个机制完全由单点的data决定,而忽视了同dataset中的其他data和它们之间的relation。Relation可能很重要。
Ours: NRE----自我监督,在latent space隐空间中保留一定的局部邻域结构。不过不是像以前的工作那样保留全局的结构。Encoder:用E_φ表示,对邻居关系也进行编码(和传统AE中的E对应);Decoder:和E一起学习,用D表示。
Input X----E_φ---->隐空间R中的表示X_R----D---->重建input X'
E_φ:作为一个kernel,把原空间中的邻居结构在隐空间中也要表示出来。
普通AE的Encoder:用E表示。
NRE可以同时学习输入中的邻居结点;有效提升AE。
2. Related Works:
用重构方法的无监督学习应用广泛。Ours:一种结合自监督邻域训练encoder-decoder的新方法。
1)无监督or自监督的表示学习:任务:精准重建input img或重建的同时构建一些其他的数据模型如着色等;2)学习重建。
之前的方法大部分都忽略了样本之间的关系或者比较少地注意邻域。
3. Method:
NRE由三个部分组成:Encoder E,Decoder D&#x