正则自编码器之去噪自编码器
图1.自编码器的一般结构
传统自编码器通过最小化如下目标:
(公式1)
公式1中L是一个损失函数,惩罚g(f(x))与x的差异,如它们彼此差异的L2范数。若自编码器容量过大,则其将学到一个毫无意义的恒等式。
去噪自编码器的定义:
去噪自编码器是一类接受损坏数据作为输入,并训练来预测原始未受损数据作为输出的自编码器。
去噪自编码器(Denoising autoencoder,DAE)的最小化目标如下式:
(公式2)
公式2中表示被某种噪声损坏的x的副本,去噪自编码器必须学会撤销这些损坏,而不是简单的复制输入。
去噪训练过程强制f 和 g 隐式的学习的结构。所以,去噪自编码器也是一个通过最小化重构误差获取有用特性的例子。
图2.去噪自编码器代价函数的计算图
如图2所示,相较与传统自编码器,去噪自编码器引入了一个损坏过程,这个条件分布代表给定数据样本X产生损坏样本
的概率。自编码器则根据如下过程,从训练数据对
中学习重构分布
:
1.从训练数据中采一个训练样本;
2.从采一个损坏样本
;
3.将作为训练样本来估计自编码器的重构分布
,其中h是编码器
的输出,
根据解码函数
定义。
通常可以简单的地对负对数似然进行基于梯度法的近似最小化。只要编码器是确定性的,去噪自编码器就是一个前馈神经网络,可以使用与其他前馈神经网络完全相同的方式进行训练。
去噪自编码器在如下式所示的期望下进行随机梯度下降:
(公式3)
为了使重构数据与原始未受损数据之间的误差尽可能的小,去噪自编码器的的目标是最小化损失函数: (公式4)
综上所述,去噪自编码器通过对输入信号人为地进行损坏,主要是为了:1.避免使自编码器学习到一个没有任何实际意义的恒等式;2.使隐藏层神经单元可以学习到一个更加具有鲁棒性的特征表达。
领域适应性边缘去噪自编码器(Marginalized Denoising Autoencoders for Domain Adaption)
领域适应性边缘去噪自编码器由Chen等人提出,主要目的是解决去噪自编码器存在的两个关键缺陷:1.计算代价高;2.缺少对高维特征的可伸缩性。领域适应性去噪自编码器通过将噪声边缘化(?),使得在算法中不需要使用任何优化算法来学习模型中的参数,提高网络的训练速度。
MDADA自编码器由若干个单层去噪自编码器组合而成,因此它的输入信号与去噪自编码器的输入信号相同,都是经过加噪处理后的损坏信号。如果采用平方重构误差作为损失函数,则MDADA的目标就是最小化下式:
(公式5)
为了将模型更具普遍性,会将实验过程重复m次,每次添加不同的噪声,产生m个不同的受损数据作为输入,由此公式5可以改写为最小化整体平方重构误差:
(公式6)
其中为原始未受损输入
的第j个损坏版本。
根据范数与矩阵之间的关系,公式6可以进一步改写为下式:
(公式7)
其中,
,
具有m个元素,
是与
对应的损坏版本,tr(A)表示求矩阵A的迹(在线性代数中,一个n×n矩阵A的主对角线(从左上方至右下方的对角线)上各个元素的总和被称为矩阵A的迹(或迹数),一般记作tr(A))。由此,MDADA的损失函数可转换为求解下式:
(公式8)
其中,
。
根据弱大数定律,当实验次数m足够大时,公式8中的P,Q最终会分别收敛于它们的期望值,因此令,公式8可以转换为:
(公式9)
其中, (公式10)
(公式11)
在公式10与公式11中,
表示特征
不被损坏的概率,
表示特征
不被损坏的概率。
最后可以通过式9计算出网络参数W,通过上述可以知道求解网络参数的过程中没有使用任何的优化算法,仅需要遍历训练数据一次就可以求得E[P]与E[Q]的值,这是MDADA自编码器极大缩短训练时间的原因。
领域适应性边缘降噪自编码器具有比较强的学习能力,训练速度快,更少的中间参数,更快的模型选择以及基于逐层训练的凸性,但缺点在于只能用线性表示。
非线性表示边缘去噪自编码器(Marginalized Denoising Autoencoders for Nonlinear Representation)
为克服领域适应性边缘去噪自编码器只能用线性表示的缺点,chen等人提出了非线性表示边缘去噪自编码器(MDANR)。MDANR与MDADA算法的最大区别在于将噪声进行边缘化处理时,改为利用去噪自编码器损失函数的泰勒展开式来近似表示其期望损失函数。
去噪自编码器的目标函数的更加普遍形式:
(公式12)
公式12中L可以是平方重建误差损失函数,或者交叉熵损失函数。
与MDADA算法同理,使用弱大数定理,利用无穷多个损坏数据将优化问题转换为期望问题,因此在满足损失分布条件下,公式12可以转换为期望问题:
(公式13)
在上利用泰勒展开式,对公式13中的损失函数L进行展开并加上期望可得:
(公式14)
公式14中,与
是损失函数L关于
的一阶和二阶导数,因为
,所以
。
完整推导过程可以参见袁非牛等《自编码神经网络理论及应用研究综述》
最后可得,非线性表示边缘去噪自编码器的目标函数为;
(公式14)
其中是
对角线上第d项,即第d维输入的噪声损坏方差。公式14实则是在去噪自编码器的损失函数上添加了一个正则项,该正则项考虑了重建函数对隐藏层表达的敏感度,同时考虑了隐藏层表达对输入的损坏信号的敏感度。
参考文献:袁非牛《自编码神经网络理论及应用研究综述》
正则自编码器之去噪自编码器相关推荐
- 正则自编码器之稀疏自编码器
编码维数小于输入维数的欠完备自编码器可以学习数据分布最显著的特征,但如果这类自编码器的容量过大,将会专注于复制任务进而学习不到任何有益信息. 如果隐藏编码的维数与输入相等或者大于输入的过完备自编码器同 ...
- 【theano-windows】学习笔记十三——去噪自编码器
前言 上一章节学习了卷积的写法,主要注意的是其实现在theano.tensor.nnet和theano.sandbox.cuda.dnn中都有对应函数实现, 这一节就进入到无监督或者称为半监督的网络构 ...
- ICLR 2020:从去噪自编码器到生成模型
作者丨苏剑林 单位丨追一科技 研究方向丨NLP,神经网络 个人主页丨kexue.fm 在我看来,几大顶会之中,ICLR 的论文通常是最有意思的,因为它们的选题和风格基本上都比较轻松活泼.天马行空,让人 ...
- 【TensorFlow-windows】(二) 实现一个去噪自编码器
主要内容: 1.自编码器的TensorFlow实现代码(详细代码注释) 2.该实现中的函数总结 平台: 1.windows 10 64位 2.Anaconda3-4.2.0-Windows-x86_6 ...
- [自编码器:理论+代码]:自编码器、栈式自编码器、欠完备自编码器、稀疏自编码器、去噪自编码器、卷积自编码器
写在前面 因为时间原因本文有些图片自己没有画,来自网络的图片我尽量注出原链接,但是有的链接已经记不得了,如果有使用到您的图片,请联系我,必注释. 自编码器及其变形很多,本篇博客目前主要基于普通自编码器 ...
- SDAE-stacked denoised autoencoder (堆栈去噪自编码器)
堆栈自编码器 Stacked AutoEncoder_浮生了大白的博客-CSDN博客_堆栈自编码器 为什么稀疏自编码器很少见到多层的? - 知乎 Based on blog which links w ...
- ENC编码器之5G无线直播方案来袭
ENC编码器之5G无线直播方案来袭 现在户外无线直播流行,看那些漂亮妹妹在户外又唱又跳的,非常养眼,只是偶尔会出现卡顿现象,今天小编就给大家带来了一个好消息:<5G全网通 工业网关 移动路由 5 ...
- tensorflow 卷积、反卷积形式的去噪自编码器
tensorflow 卷积.反卷积形式的去噪自编码器 对于去噪自编码器,网上好多都是利用全连接神经网络进行构建,我自己写了一个卷积.反卷积形式的去噪自编码器,其中的参数调优如果有兴趣的话,可以自行修改 ...
- TensorFlow实现去噪自编码器(Denoising Autoencoder)
TensorFlow实现去噪自编码器(Denoising Autoencoder) 去噪自编码器(Denoising Autoencoder, DAE) DAE模型架构 DAE实现 数据预处理 模型构 ...
最新文章
- SDUT-2449_数据结构实验之栈与队列十:走迷宫
- springboot+mybatis整合shiro——登录认证和权限控制
- python 非线性规划_自动驾驶运动规划-Hybird A*算法(续)
- Wpf 调用线程无法访问此对象,因为另一个线程拥有该对象,解决方案
- Wildfly,Apache CXF和@SchemaValidation
- 在centos6.5中安装github的客户端git
- 功能强大且易用的云打印解决方案
- Eclipse Paho MQTT客户端Java源码分析
- Java技术栈(跳槽,面试必备)
- 自组织特征映射网络(SOFM)
- 基于Ingress实现灰度发布(金丝雀发布)和蓝绿发布
- Golang深拷贝浅拷贝
- DayDayUp:计算机技术与软件专业技术资格证书之《系统集成项目管理工程师》软考考试简介及其知识点架构总结、课程讲解目录(立项-整体-范围-进度-成本-质量-人力资源-沟通-干系人-风险-采购等)
- Nginx实现文件共享
- Linux设备模型分析之device_driver(基于3.10.1内核)
- 全栈的好处:七天和两周
- 把多列的迭代次数问题化简为单列问题
- PCB如何更合理的拼版
- 华为田奇:人工智能两大趋势,大模型,AI+X
- uni-app小程序使用小程序码绑定用户信息合成海报