パラメトリック散乱ネットワーク

ウェーブレット散乱変換は、幾何学的な不変量と変形の安定性を生成します。複数の信号領域において、この変換が他の非学習表現よりも識別力のある表現を提供し、特定のタスクでは特にラベル付きデータが限られている場合や高次元構造を持つ信号に対して学習済み表現を上回ることが示されています。散乱変換で使用されるウェーブレットフィルタは、通常、パラメータ化された母ウェーブレットを通じて緊密なフレームを作成するために選択されます。本研究では、この標準的なウェーブレットフィルタバンク構築が最適であるかどうかを調査しました。モレレットウェーブレットに焦点を当て、フィルタのスケール、方向性、アスペクト比を学習することにより問題固有の散乱変換のパラメータ化を行うことを提案します。我々は、提案した学習型散乱変換が標準的な散乱変換よりも小標本分類設定において有意な性能向上をもたらすことを示しました。さらに、実験結果から伝統的なフィルタバンク構築が常に必要ではないことが示唆されました。注：「アスペクト比」（aspect ratios）という用語は一般的に使用されますが、「小標本分類設定」（small-sample classification settings）のように特定の状況や文脈で使用される用語については括弧内に原文を記載しています。