使用对抗生成的受限玻尔兹曼机进行快速集成学习
机器学习
2021-01-05 v1 计算机视觉与模式识别
摘要
近年来，机器学习已广泛应用于从图像分类到自动驾驶和自然语言处理的大量任务。受限玻尔兹曼机（RBM）近来受到关注，其依赖基于能量的结构来建模数据概率分布。然而，该技术易受对抗性操控，即轻微或严重修改的数据的影响。克服对抗问题的一种替代方案在于生成对抗网络（GAN），其能够建模数据分布并生成与原始数据相似的对抗数据。因此，本文提出使用对抗学习人工生成 RBM，其中预训练的权重矩阵作为 GAN 的输入。此外，提出采样大量矩阵并将其组合为集成，从而减轻训练新模型的负担。实验结果证明了所提方法在图像重建与图像分类任务下的适用性，并说明了基于人工的集成可作为预训练大量 RBM 的替代方案。
引用
@article{arxiv.2101.01042,
title = {Fast Ensemble Learning Using Adversarially-Generated Restricted Boltzmann Machines},
author = {Gustavo H. de Rosa and Mateus Roder and João P. Papa},
journal= {arXiv preprint arXiv:2101.01042},
year = {2021}
}
备注
26 pages, 7 figures