我有一个机器学习模型（即自动编码器），它试图通过添加到目标函数的简单 l1 惩罚项来学习输入信号的稀疏表示。这确实有助于促进稀疏向量表示，因为学习向量表示中的大多数元素都是零。但是，我需要构造稀疏性，以使非零元素在向量上“散开”/分布/均匀。具体来说，对于给定的输入信号，我的模型会生成如下所示的稀疏表示：
当前稀疏代码：
[...,0,0,0,0,0,0,0,0,0,0,0,0.2,0.3,0.5,0.9,0.3,0.2,0.1,0,0,0,0,0,0,0,0,0,0,0,0,...]
你可以理解大多数元素都是零，有小簇的非零元素。相反，我希望稀疏性使得非零元素相互“排斥”，因此使所有非零元素都被至少1个或多个零和很少或没有非零元素包围在向量中是相邻的；具体来说，它应该看起来更像这样：
所需的稀疏代码：
[...,0,0,0,0,0,0.2 ,0,0,0,0,0.9 ,0,0,0,0,0.5 ,0,0,0,0,0,0,0.7 ,0,0,0,0.4 ,0,0,0.6,...]
在后一种稀疏代码中，非零元素的数量可能与前一种相似，但每个非零元素之间被一些零分开。
我可以使用直接的目标函数惩罚来诱导这种形式的稀疏性吗？