IEEE Transactions on Pattern Analysis and Machine Intelligence· 2013Q1· Derleme
Temsil Öğrenme: Bir İnceleme ve Yeni Perspektifler
Representation Learning: A Review and New Perspectives
- 13.077atıf
- Q1SCImago
- 2013yıl
Kısa özet
Bu inceleme, makine öğrenmesi başarısının veri temsiliyle bağlantılı olduğunu varsaymakta ve daha iyi temsillerin açıklayıcı varyasyon faktörlerini ayırdığını varsayarak, denetimsiz özellik öğrenme ve derin öğrenmedeki ilerlemeleri incelemektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Makine öğrenmesi başarısının, açıklayıcı faktörleri ayırma yeteneğine sahip veri temsiline bağlı olduğu varsayılmaktadır.
- Bildiri, denetimsiz özellik öğrenme ve derin öğrenmedeki ilerlemeleri incelemektedir.
- Kapsanan alanlar olasılıksal modeller, otomatik kodlayıcılar, manifold öğrenme ve derin ağları içermektedir.
- Temel açık sorular, öğrenme hedefleri, çıkarım ve yoğunluk tahmini ile manifold öğrenmeye olan geometrik bağlantıları ilgilendirmektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
The success of machine learning algorithms generally depends on data representation, and we hypothesize that this is because different representations can entangle and hide more or less the different explanatory factors of variation behind the data. Although specific domain knowledge can be used to help design representations, learning with generic priors can also be used, and the quest for AI is motivating the design of more powerful representation-learning algorithms implementing such priors. This paper reviews recent work in the area of unsupervised feature learning and deep learning, covering advances in probabilistic models, autoencoders, manifold learning, and deep networks. This motivates longer term unanswered questions about the appropriate objectives for learning good representations, for computing representations (i.e., inference), and the geometrical connections between representation learning, density estimation, and manifold learning.
Yazarların özeti; kaynağından alınmıştır. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Bilgisayarlı Görü ve Örüntü Tanıma
Computer Vision and Pattern RecognitionComputer Science