SFA的想法源于所谓的慢原则 (slowness principle)。其基本思想是,与场景中 的描述作用的物体相比,场景的重要特性通常变化得非常缓慢。...例如,在计算机视 觉中,单个像素值可以非常快速地改变。如果斑马从左到右移动穿过图像并且它的 条纹穿过对应的像素时,该像素将迅速从黑色变为白色,并再次恢复。...然后 可以通过重复学习线性SFA特征提取器,对其输出应用非线性基扩展,然后在该扩 展之上学习另一个线性SFA特征提取器,来组合线性SFA模块以学习深非线性慢特 征提取器。...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。...但慢原则鼓励模型忽略具有高速度的对象的位置。
内容摘自：https://github.com/exacity/deeplearningbook-chinese/releases/ 13.3
