본문 바로가기

20183

Virtual Class Enhanced Discriminative Embedding Learning. NIPS. 2018. Virtual Softmax 1. Method 이 논문에서 제안하는 Virtual Softmax는 Softmax에서 파생된 classifier입니다. 먼저 Softmax의 수식은 아래와 같습니다.

\frac{e^{W_{y_{i}}^{T} X_{i}}}{\sum_{j = 1}^{C} e^{W_{y_{j}}^{T} X_{i}}}

Softmax는 수식에서 볼 수 있듯이 weight와 입력의 feature의 inner product

W x

를 기반으로 연산됩니다. 학습 중에는

W_{y_{i}}^{T} X_{i} > max_{j \in c, j \neq y_{i}} (W_{j}^{T} X_{i})

를 충족하도록 penalty를 부여함으로써 입력이 올바른 class로 분류되도록 합니다. 하지만, Softmax는 .. 2021. 7. 28.

Deep One-Class Classification. ICML. 2018. (2/2) DSVDD: Deep Support Vector Data Description 3. Properties of Deep SVDD Proposition 1: All-zero-weights solution. Let

W_{0}

be the set of all-zero network weights, i.e.,

W^{l} = 0

W^{l} \in W_{0}

. For this choice of parameters, the network maps any input to the same output, i.e., \(\phi(\boldsymbol{x};\mathcal{W}_{0}.. 2021. 7. 5.

Deep One-Class Classification. ICML. 2018. (1/2) DSVDD: Deep Support Vector Data Description 1. Background 1.1 Kernel-based One-Class Classification. Let

X \subset R^{d}

be the data space. Let

k : X \times X \to [0, inf)

be a PSD kernel,

F_{k}

it's associated RKHS, and

ϕ_{k} : X \to F_{k}

its associated feature mapping. So \(k(\boldsymbol{x}.. 2021. 6. 29.

이전 1 다음

티스토리툴바