判别受限玻尔兹曼机的推广
机器学习
2016-04-08 v1
摘要
我们提出了一个推广判别受限玻尔兹曼机（DRBM）的新理论结果。虽然最初DRBM被定义为假设其每个隐藏单元为{0,1}-伯努利分布，但该结果使得推导利用其他分布的DRBM变体的代价函数成为可能，包括文献中常遇到的一些分布。这里用二项（Binomial）和{-1,+1}-伯努利分布加以说明。我们在三个基准数据集上评估这两种DRBM变体并与原始模型比较，即MNIST和USPS数字分类数据集，以及20 Newsgroups文档分类数据集。结果表明，三个被比较的模型中的每一个在三个数据集之一上优于其余两个，从而表明所提出的DRBM理论推广在实践中可能是有价值的。
引用
@article{arxiv.1604.01806,
title = {Generalising the Discriminative Restricted Boltzmann Machine},
author = {Srikanth Cherla and Son N Tran and Tillman Weyde and Artur d'Avila Garcez},
journal= {arXiv preprint arXiv:1604.01806},
year = {2016}
}
备注
Submitted to ECML 2016 conference track