期刊专题

10.11896/j.issn.1002-137X.2015.9.012

深度学习中的自编码器的表达能力研究

引用
近年来,深度学习框架和非监督学习方法越来越流行,吸引了很多机器学习和人工智能领域研究者的兴趣.从深度学习中的“构造模块”入手,主要研究自编码器的表达能力,尤其是自编码器在数据降维方面的能力及其表达能力的稳定性.从深度学习的基础方法入手,旨在更好地理解深度学习.第一,自编码器和限制玻尔兹曼机是深度学习方法中的两种“构造模块”,它们都可用作表达转换的途径,也可看作相对较新的非线性降维方法.第二,重点探究了对于视觉特征的理解,自编码器是否是一个好的表达转换途径.主要评估了单层自编码器的表达能力,并与传统方法PCA进行比较.基于原始像素和局部描述子的实验验证了自编码器的降维作用、自编码器表达能力的稳定性以及提出的基于自编码器的转换策略的有效性.最后,讨论了下一步的研究方向.

深度学习、表达转换、数据降维、单层自编码器

42

TP391.4(计算技术、计算机技术)

国家自然基金项目61472103;国家自然基金重点项目61133003

2015-10-12(万方平台首次上网日期,不代表论文的发表时间)

共6页

56-60,65

暂无封面信息
查看本期封面目录

计算机科学

1002-137X

50-1075/TP

42

2015,42(9)

专业内容知识聚合服务平台

国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项“4.8专业内容知识聚合服务技术研发与创新服务示范”

国家重点研发计划资助 课题编号:2019YFB1406304
National Key R&D Program of China Grant No. 2019YFB1406304

©天津万方数据有限公司 津ICP备20003920号-1

信息网络传播视听节目许可证 许可证号:0108284

网络出版服务许可证:(总)网出证(京)字096号

违法和不良信息举报电话:4000115888    举报邮箱:problem@wanfangdata.com.cn

举报专区:https://www.12377.cn/

客服邮箱:op@wanfangdata.com.cn