Fatal编程技术网
  • machine-learning/
  • Machine learning 自动编码器可以用于重建非二进制向量吗？

Machine learning 自动编码器可以用于重建非二进制向量吗？

machine-learning neural-network

Machine learning 自动编码器可以用于重建非二进制向量吗？,machine-learning,neural-network,autoencoder,Machine Learning,Neural Network,Autoencoder,我最近学习了自动编码器，并计划构建一个自动编码器，作为带有隐式反馈的推荐系统的一部分 基于经典自动编码器的工作原理，它们似乎可以用于重建分量不一定为0或1的向量。然而，所有的介绍性材料似乎都表明自动编码器是在二进制向量上运行的，x=[0,1]^d，如本文第2.2节所述 为了对非二进制向量使用自动编码器，在我看来唯一的区别是应该使用L2错误函数，而不是适用于二进制情况的交叉熵 如果有人能为我澄清这一点，我将不胜感激 您混淆了符号 x e [0, 1]^d 表示“x属于作为d维单位超立方体的空间”

我最近学习了自动编码器，并计划构建一个自动编码器，作为带有隐式反馈的推荐系统的一部分

基于经典自动编码器的工作原理，它们似乎可以用于重建分量不一定为0或1的向量。然而，所有的介绍性材料似乎都表明自动编码器是在二进制向量上运行的，x=[0,1]^d，如本文第2.2节所述

为了对非二进制向量使用自动编码器，在我看来唯一的区别是应该使用L2错误函数，而不是适用于二进制情况的交叉熵

如果有人能为我澄清这一点，我将不胜感激

您混淆了符号

x e [0, 1]^d
表示“x属于作为d维单位超立方体的空间”。要说“x是长度为d的二进制向量”，你可以这样写

x e {0, 1}^d
请注意不同的括号<代码>[0，1]是一个区间，而不是一组2个元素

因此，noone声称autoencoder需要二进制输入，它不需要，它是在整个R^d空间中定义的（但是由于各种原因，它更容易处理来自某个有限子集的值，因此[0，1]超立方体，我们对其有很好的初始化启发）