Benötigen Sie eine bessere Möglichkeit, invariante Merkmale aus Daten zu extrahieren? Diese Forschung stellt die Slow Feature Analysis (SFA) vor, eine neue Methode des unüberwachten Lernens zum Erlernen invarianter oder langsam variierender Merkmale aus vektoriellen Eingangssignalen. Sie basiert auf der nichtlinearen Erweiterung des Eingangssignals und der Anwendung der Hauptkomponentenanalyse auf dieses erweiterte Signal und seine zeitliche Ableitung. Die SFA findet garantiert die optimale Lösung innerhalb einer Funktionsfamilie und kann zahlreiche dekorrelierte Merkmale extrahieren, die nach Invarianzgrad geordnet sind. Sie verarbeitet hochdimensionale Signale hierarchisch und extrahiert komplexe Merkmale. SFA wird auf komplexe Eigenschaften der Zellabstimmung (Disparität, Bewegung) angewendet, und kompliziertere Eingabe-Ausgabe-Funktionen werden durch wiederholte Anwendung erlernt. Die Ergebnisse zeigen, dass ein hierarchisches Netzwerk von SFA-Modulen Übersetzungs-, Größen-, Rotations- und Kontrastinvarianz für eindimensionale Objekte lernen kann, abhängig vom Trainingsstimulus. Für eine gute Verallgemeinerung reichen nur wenige Trainingsobjekte aus. Die Leistung verschlechtert sich, wenn das Netzwerk mehrere Invarianzen gleichzeitig lernt. Die erzeugte Darstellung eignet sich für die Objekterkennung und eröffnet Türen für das maschinelle Lernen.
Dieser in Neural Computation veröffentlichte Artikel passt in den Fokus der Zeitschrift auf neuronale Netze, maschinelles Lernen und Computerneurowissenschaften. Er stellt einen neuartigen Algorithmus zur Merkmalsextraktion vor, der mit dem Schwerpunkt der Zeitschrift auf computergestützten Methoden zum Verständnis der neuronalen Verarbeitung und Mustererkennung übereinstimmt.