SFA算法 (Wiskott and Sejnowski, 2002) 包括将 f(x;θ) 定义为线性变换,并求 解满足如下约束
?...学习特征具有零均值的约束对于使问题具有唯一解是必要的; 否则我们可以向所 有特征值添加一个常数,并获得具有慢度目标的相等值的不同解。...特征具有单位方 差的约束对于防止所有特征趋近于 0 的病态问题是必要的。与PCA类似,SFA特征 是有序的,其中学习第一特征是最慢的。要学习多个特征,我们还必须添加约束
?...没有这个约束,所有学习的特征将简单地 捕获一个最慢的信号。可以想象使用其他机制,如最小化重构误差,迫使特征多样 化。但是由于SFA特征的线性,这种去相关机制只能得到一种简单的解。...我们推测,或许慢度先验是太过强势,并且,最好添 加这样一个先验使得当前步骤到下一步的预测更加容易,而不是加一个先验使得特 征应该近似为一个常数。对象的位置是一个有用的特征,无论对象的速度是高还是 低。