数据矿工学习-样本自适应的在线卷积稀疏编码论文简析

在瑞典斯德哥尔摩国际会展中心举行的国际机器学习大会(ICML)正在受到全世界科技界的关注。来自国内人工智能企业队代表第四范式的姚权铭与来自香港科技大学的研究者提出的“Online Convolutional Sparse Coding with Sample-Dependent Dictionary：样本自适应的在线卷积稀疏编码”，入选了ICML 2018中选论文榜单。

首先我们先通过思维导图来简要了解下这篇SCSC论文的整体结构：

WHAT

SCSC是什么？

卷积稀疏编码（CSC）已被广泛用于图像和信号处理中的平移不变字典(sample-dependent dictionary)的学习。不同于传统的CSC算法使用由所有样本共享的字典来卷积，此篇论文中的SCSC使用的是样本自适应的字典，其中每个过滤器是从数据中学习的一组基本滤波器的线性组合。这种增加的灵活性允许捕获大量依赖于样本的模式，这在处理大型或高维数据集时特别有用。在计算上，所得到的模型可以通过在线学习有效地学习。在大量的数据集上的实验结果表明，所提出的方法优于现有的CSC算法，具有显著减少的时间和空间复杂度。

WHY

SCSC的优势在哪里？

与目前的最新的CSC进行对比，SCSC的优势主要体现在三个方面:

1、数据集的大小