Sparse coding provides a class of a

Sparse coding provides a class of algorithms for finding succinct representations
of stimuli; given only unlabeled input data, it discovers basis functions that capture
higher-level features in the data. However, finding sparse codes remains a
very difficult computational problem. In this paper, we present efficient sparse
coding algorithms that are based on iteratively solving two convex optimization
problems: an L1-regularized least squares problem and an L2-constrained least
squares problem. We propose novel algorithms to solve both of these optimization
problems. Our algorithms result in a significant speedup for sparse coding,
allowing us to learn larger sparse codes than possible with previously described
algorithms. We apply these algorithms to natural images and demonstrate that the
inferred sparse codes exhibit end-stopping and non-classical receptive field surround
suppression and, therefore, may provide a partial explanation for these two
phenomena in V1 neurons.

ผลลัพธ์ (ไทย) 1:

เขียนโค้ดห่างให้ระดับของอัลกอริทึมสำหรับการค้นหาแทนที่กระชับของสิ่งเร้า รับเฉพาะไม่มีป้ายชื่อข้อมูลการป้อนเข้า พบฟังก์ชั่นพื้นฐานที่คุณสมบัติสูงกว่าในข้อมูล อย่างไรก็ตาม การค้นหาห่างรหัสยังคงเป็นปัญหาคำนวณยากมาก ในกระดาษนี้ เรานำเสนอมีประสิทธิภาพห่างอัลกอริทึมแบบซ้ำ ๆ แก้เพิ่มประสิทธิภาพนูนสองการเขียนโค้ดปัญหา: ปัญหาการ L1 regularized สี่เหลี่ยมอย่างน้อยและอย่างน้อยมีจำกัด L2ปัญหาสี่เหลี่ยม เรานำเสนอนวนิยายอัลกอริทึมเพื่อแก้ปัญหาทั้งสองอย่างเพิ่มประสิทธิภาพเหล่านี้ปัญหา อัลกอริทึมของเราผล speedup สำคัญสำหรับเขียนโค้ดห่างทำให้เราสามารถเรียนรู้รหัสห่างขนาดใหญ่กว่าได้อธิบายไว้ก่อนหน้านี้อัลกอริทึม เราใช้อัลกอริทึมเหล่านี้กับรูปภาพธรรมชาติ และแสดงให้เห็นว่าการข้อสรุปรหัสห่างแสดงหยุดสิ้นสุด และฟิลด์เปิดกว้างไม่ใช่แบบรอบทิศทางปราบปรามและ ดังนั้น อาจให้คำอธิบายบางส่วนเหล่านี้สองปรากฏการณ์ในเซลล์ประสาท V1

ผลลัพธ์ (ไทย) 2:

การเข้ารหัสเบาบางให้ระดับของขั้นตอนวิธีในการหาตัวแทนรวบรัดของสิ่งเร้า;
ได้รับการป้อนข้อมูลที่ไม่มีป้ายกำกับเท่านั้นก็พบฟังก์ชั่นพื้นฐานที่จับคุณสมบัติระดับสูงในข้อมูล
แต่การหารหัสเบาบางยังคงเป็นปัญหาที่ยากมากในการคำนวณ ในบทความนี้เรานำเสนอที่มีประสิทธิภาพเบาบางขั้นตอนวิธีการเข้ารหัสที่อยู่บนพื้นฐานการแก้ซ้ำสองการเพิ่มประสิทธิภาพนูนปัญหา: ปัญหาอย่างน้อยสี่เหลี่ยม L1-regularized และน้อย L2 จำกัดปัญหาสี่เหลี่ยม เราเสนอขั้นตอนวิธีการใหม่ในการแก้ปัญหาทั้งการเพิ่มประสิทธิภาพเหล่านี้ปัญหาที่เกิดขึ้น ขั้นตอนวิธีการของเราส่งผลในการเพิ่มความเร็วอย่างมีนัยสำคัญสำหรับการเข้ารหัสที่เบาบางทำให้เราสามารถเรียนรู้รหัสเบาบางมีขนาดใหญ่กว่าที่เป็นไปได้มีอธิบายไว้ก่อนหน้าขั้นตอนวิธีการ เราใช้ขั้นตอนวิธีการเหล่านี้ให้กับภาพธรรมชาติและแสดงให้เห็นว่ารหัสเบาบางสรุปจัดแสดงแบบend-หยุดและเขตอ่อนไหวที่ไม่คลาสสิกรอบทิศทางการปราบปรามและดังนั้นจึงอาจให้คำอธิบายบางส่วนสำหรับทั้งสองปรากฏการณ์ในเซลล์ประสาทV1

ผลลัพธ์ (ไทย) 3:

รหัสหร็อมแหร็มให้ชั้นของขั้นตอนวิธีสำหรับการหามาตรฐานแทนสิ่งเร้า ; กําหนดเฉพาะ unlabeled ข้อมูลมันค้นพบพื้นฐานฟังก์ชันที่จับสูง - ระดับคุณสมบัติในข้อมูล อย่างไรก็ตาม การค้นหารหัสโหรงยังคงปัญหาคอมพิวเตอร์ที่ยากมาก ในกระดาษนี้เรานำเสนอที่มีประสิทธิภาพมากขั้นตอนวิธีการเข้ารหัสที่ใช้ในการเพิ่มประสิทธิภาพซ้ำสอง นูนปัญหา : L1 และ L2 regularized อย่างน้อยปัญหาข้อ จำกัด น้อยสี่เหลี่ยมครับ เราเสนอนวนิยายขั้นตอนวิธีแก้ปัญหาทั้งสองเหล่านี้เพิ่มประสิทธิภาพปัญหา ขั้นตอนวิธีของเราส่งผลอย่างมีนัยสำคัญต่อ SpeedUp นะครับโปร่งให้เราเรียนรู้รหัสเบาบางกว่าที่เป็นไปได้กับที่อธิบายไว้ก่อนหน้านี้อัลกอริธึม เราใช้ขั้นตอนวิธีเหล่านี้เป็นภาพธรรมชาติ และแสดงให้เห็นว่าที่ได้รหัสหร็อมแหร็มแสดงสิ้นสุดหยุดและไม่อ่อนไหว ล้อมรอบสนามคลาสสิกและปราบปราม ดังนั้น อาจจะให้คำอธิบายบางส่วน สำหรับสองคนนี้ปรากฏการณ์ใน V1 เซลล์ประสาท