N+1：创新点的设计

• 定义、公式、模型、算法的提出；

0. 如何进行抽象，如何定义数学表达式

• 二次衰减函数；
  
  • f(z)=1z2 ⇒ f(z)=11+z2
• 噪声衰减因子：
  
  • 对值域的要求，单调性的要求，必须是可调的；
  • 2n1+2n，n 是正整数，则其值域为 [2/3,∞)，且为单调增，随着 n 的增大，而逐渐趋于1；

1. 两个高维向量（数据点）的条件相似性

• 条件相似性：conditional similarity

两个高维向量 xi,xj∈RN，∥xi−xj∥ 为其欧氏距离，定义二者的条件相似性：

pj|i=exp(−∥xi−xj∥2/2σ2i)∑k≠iexp(−∥xi−xk∥2/2σ2i)

进一步将其改造为对称版本：

pij=pj|i+pi|j2N

2. KL-divergence

KL-divergence 应用在两个概率分布（p, q; p_{ij}, q_{ij}）之间

比如，第 1 节，我们定义了 pij，同样的我们定义另外的相似度矩阵（similarity matrix），只不过这次针对的是映射后的点，而不是原始的数据点。

qij=f(∥xi−xj∥)∑k≠if(∥xi−xk∥),withf(z)=11+z2

显然，pij 是由原始数据本身决定的，而 qij 还取决于映射函数的选择。

因此，二者的 KL-divergence 为：

KL(P||Q)=∑i,jpijlogpijqij.

KL-divergence 可以用来度量两个相似度矩阵（P,Q）的距离。

3. 神经网络模型的修改方向

• 对目标函数进行修改：modifications in the loss function
• 对网络结构进行修改：modifications in the network architecture

4. 泛化

在信号处理中，稀疏性频繁地应用于，求解如下最小化问题：

argminx12∥y−Ax∥22+λ∥x∥1

其中：

• x=[x(1),⋯,x(N)]T
• y=[y(1),⋯,y(M)]T
• A 维度为 M⋅N

将待优化的目标函数泛化为：

argminx12∥y−Ax∥22+∑nϕ(x(n))

这里的 ϕ(⋅) 指代的就是罚函数（penalty function，或者正则函数 regularization function）；

之所以一般选择 ϕ(x)=λ|x| 来激励稀疏性，与其他罚函数所不同的地方在于它是一种凸函数（convex function）。

• 凸函数的价值在于其能比非凸函数，更易被最优化；
• 然而，非凸罚函数更有益于稀疏信号的稀疏度的获取；