给定一个预训练的 CNN 模型，我在参考和查询数据集中提取图像的特征向量，其中包含数千个元素。
我想应用一些增强技术来减少特征向量维度，以加快余弦相似度/欧几里德距离矩阵的计算。
在我的文献综述中，我已经提出了以下两种方法：
- 主成分分析 (PCA) + 美白
- 局部搜索散列 (LSH)
是否有更多方法来执行特征向量的降维？如果是这样，每个人的优点/缺点是什么？
特征向量降维方法的例子有哪些？
人工智能
卷积神经网络
表征学习
主成分分析
降维
2021-11-08 05:54:57
2个回答
降维可以通过使用自动编码器网络来实现，该网络学习输入数据的表示（或编码）。在训练时，归约端（编码器）将数据降低到较低维度，重构端（解码器）尝试从中间归约编码中重构原始输入。
您可以分配编码器层输出（) 到所需的尺寸（低于输入的尺寸）。一经训练，可用作较低特征空间中输入数据的替代表示，并可用于进一步计算。
降维技术的一些例子：
| 线性方法 | 非线性方法 | 基于图的方法 （“网络嵌入”） |
|---|---|---|
| PCA CCA ICA SVD LDA NMF |
内核 PCA GDA自动 编码 器 t-SNE UMAP MVU |
Diffusion maps Graph Autoencoders Graph-based kernel PCA (Isomap, LLE, Hessian LLE, Laplacian Eigenmaps) |
虽然还有很多。