深度典型相关长短期记忆网络
机器学习
2018-01-17 v1 机器学习
摘要
我们研究深度典型相关LSTMs（长短期记忆网络）作为一种学习变长序列的非线性变换并将其嵌入相关定维空间的方法。我们利用LSTMs对多视角时间序列数据进行非线性变换，同时学习数据内部的时间关系。然后我们对这些神经网络的输出进行相关性分析，找到一个相关子空间，并通过投影得到我们的最终表示。该工作延续了此前深度典型相关（DCCA）的研究，其中深度前馈神经网络被用于学习数据的非线性变换并最大化相关性。
引用
@article{arxiv.1801.05407,
title = {Deep Canonically Correlated LSTMs},
author = {Neil Mallinar and Corbin Rosset},
journal= {arXiv preprint arXiv:1801.05407},
year = {2018}
}
备注
8 pages, 3 figures, accepted as the undergraduate honors thesis for Neil Mallinar by The Johns Hopkins University