我有一个机器学习模型（即自动编码器），它试图通过添加到目标函数的简单l1惩罚项来学习输入信号的稀疏表示。在学习矢量表示中的大多数元素为零的意义上，这确实有助于促进稀疏矢量表示。但是，我需要对稀疏性进行结构化，使得非零元素在向量上展开＆/ 34; /分布/均匀。具体地说，对于给定的输入信号，我的模型产生一个稀疏表示，如下所示：
当前的稀疏代码：
[...,0,0,0,0,0,0,0,0,0,0,0,的 0.2,0.3,0.5,0.9,0.3,0.2,0.1 ,0,0,0,0,0,0,0,0,0,0,0,0,...]
您可以理解大多数元素都是零，具有小的非零元素簇。相反，我希望稀疏性是这样的，非零元素被排斥＆＃34;排斥＆＃34;因此，使得所有非零元素被至少一个或多个零包围，并且在矢量中很少或没有非零元素相邻;具体来说，看起来应该更像这样：
所需的稀疏代码：
[...,0,0,0,0,0,的 0.2 ,0,0,0,0,的 0.9 ,0,0,0,0,的 0.5 ,0,0,0,0,0,0,的 0.7 ,0,0,0,的 0.4 ,0,0,的 0.6 ,...]
在后一个稀疏代码中，非零元素的数量可能与前者相似，但每个非零元素彼此分开一定数量的零。
我是否可以使用直接的客观函数惩罚来诱导这种形式的稀疏性？
答案 0 :(得分：0)
Kullback Leibler散度测量目标分布与样本分布之间的距离，是潜在空间模型/变分自动编码器的标准实践。它的许多实现存在于多个库中。它允许您在输出上强制执行均匀分布，这将（在一定程度上）导致更均匀的间隔值。额外的硬编码约束也可以帮助你;即惩罚输出向量的切片总和之间的均方差将惩罚不均匀的扩散值。