双层流形拟合网络

噪声数据下鲁棒重构

该模型通过双生成循环结构与流形拟合模块，在含噪声或干扰维度的数据中自动学习鲁棒映射并生成新样本。

Xuelin, Zhang · 陈红 · Li, Shen · 顾彬 · Huang, Heng

Neural Networks 2026

技术优势

自动屏蔽噪声维度

模型通过对环境空间和潜在空间自动分配掩码，抑制噪声维度的影响，无需人工指定或预处理。

理论泛化保证

为随机双层极小极大问题建立泛化误差上界，揭示泛化能力与参数设置的关系，使训练可预期。

生成新样本

训练后的网络能够从含噪数据分布中生成新的合成样本，可用于数据增强或缺失值补全。

应用场景

• 高维数据降维：在保留流形结构的前提下降维，抵抗噪声干扰。
• 无监督表示学习：无需标签即可学到鲁棒低维表示。
• 机器人感知中的噪声鲁棒学习：让机器人感知系统对传感器噪声更鲁棒。
• 高噪声生物信号建模：从高噪声生物信号中恢复潜在动力学。
• 传感器数据去噪与重构：自动去除传感器数据噪声并重建干净信号。