无监督与监督学习方法通常依赖核函数捕捉数据结构的非线性特征,但需确保所提非线性能最大化数据多样性与变异性。本研究系统回顾了独立性准则,并设计出三种新准则用于构建无监督学习器。基于这些准则,开发了监督与无监督降维方法,在线性及神经网络非线性环境下评估了其对比度、准确性与可解释性。结果表明,该方法性能优于基线模型(如tSNE、PCA、正则化LDA、带(无)监督学习的VAE及层共享模型),为可解释机器学习研究提供了新思路。
新型独立性准则及其衍生的降维方法在性能与可解释性上均取得突破,未来可进一步探索其在深度神经网络中的集成潜力。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。