摘要
随着数据维度的增加，特征提取变得越来越重要。基于神经网络的自编码器作为一种特征提取方法，在生成高维数据的抽象特征方面取得了显著成功。然而，它未能考虑数据样本之间的关系，这可能会影响使用原始特征和新特征进行实验的结果。在本文中，我们提出了一种同时考虑数据特征及其关系的关系自编码器模型（Relation Autoencoder）。此外，我们将该模型扩展到与其他主要自编码器模型的结合使用，包括稀疏自编码器（Sparse Autoencoder）、去噪自编码器（Denoising Autoencoder）和变分自编码器（Variational Autoencoder）。所提出的关系自编码器模型在一组基准数据集上进行了评估，实验结果表明，考虑数据关系可以生成更加鲁棒的特征，这些特征在进一步分类中的构造损失更低，从而降低了错误率，相较于其他自编码器变体表现更优。