全息神经架构
机器学习
2018-06-05 v1 人工智能
机器学习
基因组学
组织与器官
摘要
表示学习是深度学习有效性的核心。在这项工作中，我们引入一种称为“全息神经架构”（HNAs）的表示学习新框架。正如观测者可通过从多个角度观察全息图来体验被全息记录物体的三维结构，HNAs 从训练集导出全息表示（Holographic Representations）。这些表示随后可沿一个连续有界的单一维度移动来探索。我们表明 HNAs 可用于构建生成网络、最先进的回归模型，并且它们天生对噪声高度抵抗。最后，我们认为由于其去噪能力以及从极少样本中良好泛化的能力，基于 HNAs 的模型特别适用于训练样本稀少或含噪的生物应用。
引用
@article{arxiv.1806.00931,
title = {Holographic Neural Architectures},
author = {Tariq Daouda and Jeremie Zumer and Claude Perreault and Sébastien Lemieux},
journal= {arXiv preprint arXiv:1806.00931},
year = {2018}
}
备注
10 pages, 7 figures, 1 table