通过分布式随机采样学习深度表示
机器学习
2013-12-17 v1
摘要
本文提出了一种极其简单的深度模型，用于无监督非线性降维——深度分布式随机采样，其运行方式类似于堆叠的无监督自助聚合。首先，其网络结构新颖：网络的每一层都是一组相互独立的 -中心聚类。其次，其学习方法极其简单：每个聚类的 个中心仅仅是 个从训练数据中随机选取的样本；对于小规模数据集， 个中心进一步通过简单的循环移位操作随机重构。非线性降维的实验结果表明，所提出的方法能够在大规模和小规模问题上学习抽象表示，同时在大规模问题上比深度神经网络快得多。
引用
@article{arxiv.1312.4405,
title = {Learning Deep Representations By Distributed Random Samplings},
author = {Xiao-Lei Zhang},
journal= {arXiv preprint arXiv:1312.4405},
year = {2013}
}