LPPAE自编码降维模型

识别率最高提升38%

双向映射设计让低维表示更准确地还原原始数据，显著提升识别性能。

冉瑞生 · 冯骥 · Zheng, Li · Jinping, Wang · 房斌

Expert Systems with Applications 2024

参数信息

识别率提升（对比原始LPP，Handwritten Alphadigits）
26.06 %
识别率提升（对比原始LPP，COIL-20）
10.09 %
识别率提升（对比原始LPP，Yale）
5.40 %
识别率提升（对比原始LPP，AR）
8.86 %
识别率提升（对比LPPMDC，MNIST）
12.50 %
识别率提升（对比LAPP，MNIST）
38.10 %
识别率提升（对比LPP+TR，MNIST）
9.10 %
识别率提升（对比DNLPP，MNIST）
2.61 %

技术优势

识别率大幅提升

在多个数据集上相对于原始LPP及其变体均有显著提升，例如在MNIST上比LAPP高38.10个百分点。

重建约束校正表示

解码器将低维表示映射回原始空间，强制表示保留足够信息以重建输入，从而使低维嵌入更准确。

可扩展为通用框架

将LPP视作编码器，这一思想可推广到其他流形学习方法，从而衍生出一系列新方法。

保持邻域结构

在编码阶段仍沿用LPP的邻域保持投影，因此不会丢失原始数据的局部几何信息。

应用场景