-
题名基于栈式去噪自动编码器的边际Fisher分析算法
被引量：4
- 1
-
-
作者
颜丹
蒋加伏
-
机构
长沙理工大学计算机与通信工程学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2017年第5期134-139,共6页
-
文摘
特征学习是模式识别领域的关键问题。基于自动编码器的深度神经网络通过无监督预训练与有监督微调能够有效地提取数据中关键信息,形成特征。提出一种基于栈式去噪自编码器的边际Fisher分析算法,该算法将边际Fisher分析运用于有监督微调阶段,进一步提升算法的特征学习能力。实验结果表明,该算法与标准的栈式去噪自编码器和基于受限玻尔兹曼机的深度信念网相比,具有更好的识别效果。
-
关键词
特征学习
深度学习
人工神经网络
栈式去噪自动编码器
边际Fisher分析
-
Keywords
feature learning
deep learning
artificial neural network
stacked denoising autoencoders
marginal Fisher analysis
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名用于域适应的多边缘降噪自动编码器
被引量：2
- 2
-
-
作者
杨帅
胡学钢
张玉红
-
机构
合肥工业大学计算机与信息学院
-
出处
《计算机科学与探索》
CSCD
北大核心
2019年第2期322-329,共8页
-
基金
国家自然科学基金Nos.61503112
61673152
61503116~~
-
文摘
神经网络模型被广泛用于跨领域分类学习。边缘堆叠降噪自动编码器(marginalized stacked denoising autoencoders,mSDA)作为一种神经网络模型,通过对源领域和目标领域数据进行边缘化加噪损坏,学习一个公共的、健壮的特征表示空间,从而解决领域适应问题。然而,mSDA对所有的特征都采取相同的边缘化加噪处理方式,没有考虑到不同特征对分类结果的影响不同。为此,对特征进行区分性的噪音系数干扰,提出多边缘降噪自动编码器(multi-marginalized denoising autoencoders,M-MDA)。首先,利用改进的权重似然率(weighted log-likelihood ratio update,WLLRU)区分出领域间的共享和特有特征;然后,通过计算特征在两个领域的距离,对共享特征和特有特征进行不同方式的边缘化降噪处理,并基于单层边缘降噪自动编码器(marginalized denoising autoencoders,MDA)学习获取更健壮的特征;最后,对新的特征空间进行二次损坏以强化共享特征的比例。实验结果表明,该方法在跨领域情感分类方面优于基线算法。
-
关键词
情感分类
跨领域
噪音
边缘堆叠降噪自动编码器(msda)
-
Keywords
sentiment classification
cross-domain
noise
marginalized stacked denoising autoencoders(msda)
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
