使用模式合成器从深度网络学习表示
神经与进化计算
2015-06-26 v1
摘要
深度学习网络在解决各种现实非平凡任务的大量当前机器学习模型的演进中起着关键作用。此类网络使用大数据，通常是无标签无监督且多层的，不需要任何形式的监督来训练和学习数据，并且已用于成功构建自动监督神经网络。然而问题仍然存在：学习到的数据在多大程度上代表了有趣性，以及它们在深度学习模型或应用中的有效性即效率。如果深度学习模型网络的输出能够被投射到一个可观测场景上，我们便可以以并行和分布式方式学习这些堆叠网络的变分频率。本文试图通过将模式合成器(mode synthesizers)的概念纳入深度学习过程模型，以高效且较不复杂的方式发现并表示有趣模式。
引用
@article{arxiv.1506.07545,
title = {Learning Representations from Deep Networks Using Mode Synthesizers},
author = {N. E. Osegi and P. Enyindah},
journal= {arXiv preprint arXiv:1506.07545},
year = {2015}
}
备注
10 pages, 5 figures, 1 table