深度对抗信念网络
机器学习
2019-09-26 v2 机器学习
摘要
我们提出了一种用于训练深度信念网络（DBNs）的新颖对抗框架，其包括将生成对抗网络（GANs）方法中的生成器网络替换为 DBN，并开发一种高度可并行化的数值算法以随机方式训练所得架构。与现有技术不同，该框架可应用于最一般形式的 DBN，且无需反向传播。因此，它为开发与各类正则化单元（如池化和归一化）的 GAN 相媲美的 DBN 奠定了新基础。由于摒弃了反向传播，我们的框架相较于其他 DBN 与 GAN 学习技术还展现出优越的可扩展性。我们给出了计算机视觉及神经科学中的若干数值实验以阐明该方法的主要优势。
引用
@article{arxiv.1909.06134,
title = {Deep Adversarial Belief Networks},
author = {Yuming Huang and Ashkan Panahi and Hamid Krim and Yiyi Yu and Spencer L. Smith},
journal= {arXiv preprint arXiv:1909.06134},
year = {2019}
}