TL;DR介绍了一种在深度网络中利用特征向量的数值稳定且可微分方法,其可处理大矩阵且不需要拆分,并展示了其在 ZCA 白化和 PCA 去噪方面的鲁棒性优于标准的 Eigendecomposition 和 Power Iteration 方法。
Abstract
eigendecomposition (ED) is widely used in deep networks. However, the
backpropagation of its results tends to be numerically unstable, whether using
ED directly or approximating it with the Power Iteration method
本文提出了一种基于 QR 分解的、专门针对计算机视觉应用情景下的批量矩阵 / 向量乘法计算的 EigenDecomposition 方法,通过使用显式 QR 迭代和多个加速技巧,将 QR 迭代的时间复杂度从 O (n^5) 降低到 O (n^3),在小规模和中规模批量矩阵的场景下可以显著提升计算速度,并且在图像识别和生成方面有着较好的表现。