深度广度学习——面向大数据的大模型
机器学习
2015-09-07 v1
摘要
深度学习已经展示了对数据中复杂高阶（多变量）交互进行精细建模的能力。对于某些学习任务，学习不仅具有深度而且具有广度的模型具有优势。所谓广度，我们指的是纳入大量特征证据的模型。这在许多不同特征及特征组合均携带少量关于类别信息的应用中尤为有价值。最准确的模型将整合所有这些信息。本文提出了一种名为 DBL 的深度广度学习算法。该算法具有一个可调参数 ，用于指定模型的深度。它为大数据提供了核外学习的直接路径。我们证明，DBL 从大量数据中学习到的模型，其准确性与 SOTA 高度竞争。
引用
@article{arxiv.1509.01346,
title = {Deep Broad Learning - Big Models for Big Data},
author = {Nayyar A. Zaidi and Geoffrey I. Webb and Mark J. Carman and Francois Petitjean},
journal= {arXiv preprint arXiv:1509.01346},
year = {2015}
}