实体
Deep belief networks
Deep belief networks
PulseAugur coverage of Deep belief networks — every cluster mentioning Deep belief networks across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
关系
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
Sigmoid信念网络被证明可以精确表示概率分布
一篇新发表在arXiv上的论文证明，Sigmoid信念网络可以精确表示二元集合上的任何严格正概率分布。这一发现解决了Sutskever和Hinton研究人员提出的一个长期存在的问题。该证明利用了Brouwer不动点定理，将先前的一种近似方法提升为精确表示。
-
深度信念网络自发组织无标签数据的表示
研究人员已经证明，深度信念网络（DBNs）在无标签数据上训练时，可以自发地组织其内部表示，以反映数据的底层类别结构。通过使用广义判别值（GDV）和有效维度等度量来分析在MNIST、Fashion-MNIST和KMNIST等数据集上训练的DBNs，研究发现，特定类别的聚类通常随着网络深度的增加而增加。这种涌现的秩序表明，无监督生成学习可以有效地发现和放大与类别相关的信息，而无需显式标签。
-
深度信念网络模拟临界条件下的社会系统
研究人员探索了玻尔兹曼机（特别是深度信念网络 DBN）在模拟临界条件下多数规则社会系统的生成能力。该研究在第一层使用了非二元单元的 DBN，并采用了一种“梦境”过程，其中固定的可见单元使网络生成样本。这种方法允许测量与原始系统的偏差，并证实即使在输入噪声的情况下，重构的样本也保持了临界状态。