【文献阅读】Stack What-Where Auto-encoders -ICLR-2016

一、Abstract

提出一种新的autoencoder —- SWWAE（stacked what-where auto-encoders），更准确的说是一种 convolutional autoencoder，因为在CNN中的pooling处才有 “what-where。SWWAE呢，是一种整合了supervised,semi-supervised and unsupervised learning 的model（暂时不理解这是什么意思，感觉好厉害的样子## 标题 ##，先记着）。what-where最根本的作用是在decode中uppooling时，把value放到指定位置（encode时对应的pool层所记录的位置，即where），看图吧，一图胜千言

第一幅图说明了pooling 和unpooling的一一对应关系，以及what-where

第二幅图就是整个SWWAE的示意图
添加what-where的好处就是

SWWAE适用于 大量无标签数据+小量标签数据的情况

二、Key words:

SWWAE; reconstruction；encoder；decoder

三、Motivation

1.想整合平衡（leverage）labeled and unlabeled data 来学习更好的feature（representation）

四、main contributions

1.提供了一种可以 unified supervised,semi-supervised and unsupervised learning的model
2.提供一个当无标签样本多，有标签样本少时的一种训练模型(1 )
3.unsupervised learning 会学习一些 trivial representation ,加入 supervised loss 可以避免（3.2）

五、inspired by

1. Yann LeCun, L ́ eon Bottou, Yoshua Bengio, and Patrick Haffner. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324, 1998.
2. Matthew D Zeiler, Dilip Krishnan, Graham W Taylor, and Robert Fergus. Deconvolutional networks. In Computer Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on, pp. 2528–2535. IEEE, 2010.
3. Tom Le Paine, Pooya Khorrami, Wei Han, and Thomas S Huang. An analysis of unsupervised pre-training in light of recent advances. arXiv preprint arXiv:1412.6597, 2014.
   key word:CNN; Deconvolutional network；regularization effect ！

六、文献具体实验及结果

4.1 对比 upsampling(what but no where) andunpooling(what-where)，实验证明 在 reconstruction过程中，“where”是很重要的七、 自己的感悟
4.2 实验没看明白，搞不懂 invariance and equivariance是什么鬼，留着以后看
4.3提高分类性能，说提高了MNIST，SVHN的分类性能

七、 自己的感悟

1. loss function = classification loss + reconstructions loss + middle reconstruction loss
   总共三部分loss，第一部分loss就是我们平时supervised learning中常见的。而后面两个reconstruction loss 其实就是重构误差，即decode 与 code 之间的误差，这两部分loss相当于一个regularizer，对encoder阶段中的weights做了regularization，迫使weights可以使得提出的特征能通过decoder还原成原信号（图片）

2. 针对reconstruction 可以看作一个 regularizer，
   2010年 Erhan就提到，但是证明不足以让人信服；
   2014年 Paine分析regularization effect，可以追一追，看看是什么结构（e.g deconvnet？）提供了一个loss，这个loss对weights的更新起到某种限制，从而使得提取出的feature更好，这个可以作为一个研究方向

3. 按道理作者提出 where，应该开门见山就说 有了where的模型会怎么怎么样才对啊，但是从头一直找啊找，直到实验4.1，丢出图，给出结论，where 对reconstruction很重要，会更清晰。。。这种做法感觉怪怪的

4. 可以追的paper 2014 Paine分析 regularization effect ；
   deconvnet 及其 loss 方面，Matthew D Zeiler 大神的系列文章，一开始认识他是2013反卷积 Iamgenet2013冠军！