类脑无监督隐藏表示学习方法比较研究
神经与进化计算
2021-04-19 v2 机器学习
摘要
无监督隐藏表示学习是近年来机器学习中最活跃的研究方向之一。在本工作中，我们研究了类脑的贝叶斯置信传播神经网络（BCPNN）模型，该模型近期被扩展以提取稀疏分布式高维表示。我们使用外部线性分类器研究了在 MNIST 和 Fashion-MNIST 数据集上训练时隐藏表示的可用性及类间可分离性，并与包括受限玻尔兹曼机和自编码器在内的其他无监督学习方法进行了比较。
引用
@article{arxiv.2005.03476,
title = {Brain-like approaches to unsupervised learning of hidden representations -- a comparative study},
author = {Naresh Balaji Ravichandran and Anders Lansner and Pawel Herman},
journal= {arXiv preprint arXiv:2005.03476},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2003.12415