用于极稀缺数据深度学习的生成模型
机器学习
2020-03-02 v1 机器学习
摘要
本文的目标在于处理深度学习技术通常会失效的数据稀缺场景。我们比较了两种成熟技术——受限玻尔兹曼机与变分自编码器——作为生成模型在分类框架中扩充训练集的用途。本质上，我们依赖马尔可夫链蒙特卡洛（MCMC）算法来生成新样本。我们表明，相较于其他最先进技术（例如带阶梯网络的半监督学习），该方法的泛化能力可得以改善。此外，我们表明在生成新样本以训练具有良好泛化能力的分类器方面，RBM优于VAE。
引用
@article{arxiv.1903.09030,
title = {Generative Models For Deep Learning with Very Scarce Data},
author = {Juan Maroñas and Roberto Paredes and Daniel Ramos},
journal= {arXiv preprint arXiv:1903.09030},
year = {2020}
}