DEVDAN：深度演化去噪自编码器
机器学习
2020-01-10 v2 机器学习
摘要
去噪自编码器（DAE）增强了数据流方法在利用无标签样本时的灵活性。然而，DAE 用于数据流分析的可行性值得深入研究，因为它具有固定的网络容量，无法适应快速变化的环境。本文提出深度演化去噪自编码器（DEVDAN）。它在生成阶段和判别阶段均具有开放结构，隐藏单元可在线自动添加和丢弃。生成阶段利用无标签数据优化判别模型的预测性能。此外，DEVDAN 无问题相关阈值，并以完全的单遍学习方式进行。我们表明，在采用预序测试再训练协议模拟的十个著名数据集上的分类任务中，DEVDAN 能找到与 SOTA 方法相竞争的网络结构。
引用
@article{arxiv.1910.04062,
title = {DEVDAN: Deep Evolving Denoising Autoencoder},
author = {Andri Ashfahani and Mahardhika Pratama and Edwin Lughofer and Yew Soon Ong},
journal= {arXiv preprint arXiv:1910.04062},
year = {2020}
}
备注
This paper has been accepted for publication in Neurocomputing 2019. arXiv admin note: substantial text overlap with arXiv:1809.09081