未提供项目说明
cca-zoo的Python项目详细描述
典型相关分析方法:cca动物园
CCA,GCCA(广义CCA),MCCA(多集CCA),DCCA(Deep CCA),DGCCA(深广义CCA),DMCCA(深多集CCA),DVCCA(深变分CCA),DCCAE(深正则相关自编码器),KCCA(核CCA)和正则化变量
文档位于https://cca-zoo.readthedocs.io/en/latest/
可使用pip安装cca-zoo
最近通过非线性正交迭代(https://arxiv.org/pdf/1510.02054.pdf)
以下是方法汇编: -CCA(各种实现) -RCCA(山脊惩罚) -稀疏CCA(Witten/Parkhomenko,Waaijenborg) -核心CCA(例如Hardoon) -基于非线性正交迭代的深度CCA(Andrew)和DCCA(Wang) -深正则相关自动编码器(王) -深变分CCA与深变分CCA峈private(王)
感谢@VahidooX,@MichaelVll@Arminarj,所有模型都在MNIST数据集的嘈杂版本上进行评估。列车/验证/测试分割是MNIST的原始分割。在
您可以从noisymnist_view1.gz和noisymnist_view2.gz下载它们
DCCAE只是一个从潜在空间重构网络并附加重构损失的DCCA。因此,我在单个模型中实现了DCCA和DCCAE,其中参数加权重建损失(即DCCA情况下为0)
DVCCA(外行的说法!)可以理解为一个具有3个丢失项的编解码器:一个确保良好的编码(这是编码和N(0,1)高斯之间的K-L散度),和两个确保从潜在变量到原始视图的良好重建。在
如果你熟悉变分自动编码器,你会注意到其中三分之二的损失是相同的,为第二视图设置了额外的重建项。在
DVCCA_private通过添加私有潜在变量来扩展DVCCA。这给了我们2个额外的损失项,确保了每个视图的私有信息的“良好”编码(编码与N(0,1)高斯函数之间的KL散度)。在
DCCA/DCCAE的其他实现:
从@VahidooX的github页面(https://github.com/VahidooX)实现DCCA的Keras 下面是MATLAB和C++中DCCA的其他实现。这些代码由原论文的作者编写:
@MichaelVll&;@Arminarj:https://github.com/Michaelvll/DeepCCA的DCCA火炬实现
Galen Andrew网站(https://homes.cs.washington.edu/~galen/)的DCCA C++实现王伟然网站(http://ttic.uchicago.edu/~wwang5/dccae.html)中DCCA/DCCAE的MATLAB实现
VAE的实施:
VAE(https://github.com/pytorch/examples/tree/master/vae)的Torch实现
稀疏PLS的实现:
@jmmontiro(https://github.com/jmmonteiro/spls)实现SPLS的MATLAB实现
- 项目
标签: