AE | 特征提取 特征降维 | 由编码器与解码器组成,前者完成样本的抽象特征表示,后者完成输入样本的重构,通过梯度下降算法完成迭代微调 | 确定型无监督学习模型,能有效提取高级抽象特征,但所提取特征的稀疏性、稳健性不足 |
RBM | 特征提取 特征降维 | 由可见层与隐含层组成,旨在最大化可见变量与隐含变量联合概率分布的似然函数,通过对比散度算法完成迭代微调 | 概率型无监督学习模型,能有效提取高级抽象特征,但易产生过拟合现象 |
GAN | 数据生成 | 由生成器与判别器组成,旨在通过生成器与判别器的二元博弈提升生成样本质量,网络参数的优化由梯度下降算法完成 | 无监督生成模型,能生成高质量样本,但易发生模式崩溃问题 |
SOM | 聚类分析 特征提取 特征降维 | 由输入层与竞争层组成,旨在通过竞争学习策略逐步优化网络,近邻关系函数维持输入样本的拓扑结构,进而完成样本的低维映射 | 浅层无监督学习模型,具有独特的竞争学习机制,能有效生成样本的低维映射,但不适用于高维特征的提取 |