学习一个更好的SPD网络的信号分类:一个里曼的批量规范化方法

科学领域:

• 机器学习 机器学习
• 里曼的几何学 里曼的几何学
• 矩阵分析是一门学科.

背景情况:

• 对称正确定位 (SPD) 矩阵是多重值表示的里曼特征描述符.
• SPD神经网络增强了信号分类,里曼的批量规范化 (RBN) 提高了它们的学习能力.
• 当前的RBN方法经常使用亲属不变的里曼度量 (AIRM),它依赖于单数值分解 (SVD),并且对于条件不良的矩阵可能不稳定.

研究的目的:

• 为SPD矩阵开发一个比较数值稳定的,计算效率更高的RBN算法.
• 通过引入一种利用Log-Cholesky度量 (LCM) 的新方法来解决基于AIRM的RBN的局限性.

主要方法:

• 提出了一个基于日志-Cholesky度量 (LCM) 的新型RBN算法,利用Cholesky分解.
• 开发了基于LCM的里曼运算子 (Fréchet平均值,并行运输) 与封闭形式的解决方案.
• 利用Cholesky分流器在SPD分流器上有效计算基于LCM的RBN.

主要成果:

• 与基于AIRM的方法相比,拟议的基于LCM的RBN显示了增强的数值稳定性.
• 基于LCM的里曼运算符更简单,计算效率更高.
• 在四个基准数据集上的实验证实了拟议的基于LCM的RBN算法的有效性.

结论:

• 基于LCM的新型RBN为深度学习中的SPD矩阵处理提供了更强大,更有效的替代方案.
• 这一进步可以在信号分类和其他使用SPD矩阵的应用中提高性能.