Slow Feature Analysis

aus Wikipedia, der freien Enzyklopädie
Zur Navigation springen Zur Suche springen

Slow Feature Analysis ist ein unüberwachter Lernalgorithmus, der invariante oder sich zumindest nur langsam verändernde Merkmale aus einem vektoriellen Signal lernen soll. Er basiert auf der Hauptachsentransformation.[1]

Problembeschreibung

[Bearbeiten | Quelltext bearbeiten]

Wenn ein Eingabesignal gegeben ist, wird eine Ein-/Ausgabefunktion gesucht, für die so wenig wie möglich variiert und nicht konstant ist.

Formal schreibt man:

Gegeben sei ein -dimensionales Eingabesignal mit . Finde eine -dimensionale Ein-/Ausgabefunktion , die aus die -dimensionale Ausgabe mit für jedes erzeugt. Dabei müssen für alle folgende Nebenbedingungen erfüllt sein:

wobei die Ableitung nach bezeichnet und ein Durchschnitt über die Zeit ist:

Einzelnachweise

[Bearbeiten | Quelltext bearbeiten]
  1. Laurenz Wiskott, Terrence J. Sejnowski: Slow Feature Analysis: Unsupervised Learning of Invariances. In: Neural Computation. Band 14, Nr. 4, 2002, S. 715–770, doi:10.1162/089976602317318938.