慢特征分析 (slow feature analysis, SFA) 是使用来自时间信号的信息来学习不
变特征的线性因子模型(Wiskott and Sejnowski, 2002)。...通过比较,指 示斑马是否在图像中的特征将根本不改变,并且描述斑马的位置的特征将缓慢地改 变。因此,我们可能希望规范我们的模型,从而能够学习到随时间变化缓慢的特征。...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
?...为了做出这样的理论预测,必须知道关于配置空间的环境 的动态(例如,在 3D 渲染环境中的随机运动的情况下,理论分析出位置,相机的速 度的概率分布)。...已知潜在因子如何改变的情况下,我们能够理论分析解决表达这些 因子的最佳函数。在实践中,基于模拟数据的实验上,使用深度SFA似乎能够恢复了 理论预测的函数。