Answers:
PCA仅限于线性图,而自动编码器可以具有非线性编码器/解码器。
具有线性传递函数的单层自动编码器几乎等效于PCA,几乎意味着AE和PCA所找到的将不相同-而是各个W所跨越的子空间。
正如bayerj指出的,PCA是一种假设线性系统的方法,而自动编码器(AE)则没有。如果AE中没有使用非线性函数,并且隐藏层中神经元的数量较小,则输入的维数较小,那么PCA和AE可以产生相同的结果。否则,AE可能会找到其他子空间。
需要注意的一件事是,AE中的隐藏层可能比输入的维数更大。在这种情况下,AE可能不会进行降维。在这种情况下,我们认为它们正在从一个特征空间转换为另一个特征空间,其中新特征空间中的数据解开了变化因子。
关于您的问题,即多层对Bayerj的响应是否意味着非常复杂的非线性。取决于您所说的“非常复杂的非线性”,这可能是正确的。但是,深度确实可以提供更好的概括。许多方法要求相等数量的样本等于区域数。然而,事实证明,根据Bengio等人的说法,“ 可以用O (N )个示例定义非常多的区域,例如 ” 。这是由于表示复杂性的结果,该表示复杂性是由网络中较低层的较低特征组成的。
这更适合作为评论,但由于我缺乏声誉,因此将其作为答案。
我对Bayerj:s的回答几乎感到困惑。阅读神经网络和主成分分析:从没有局部极小值的示例中学习,并给出证明。
那么这是否正是PCA所跨越的对应空间?