May, 2013
表示学习的深度学习:展望未来
Deep Learning of Representations: Looking Forward
Yoshua Bengio
TL;DR本文主要探讨深度学习面临的挑战,包括大规模模型与数据集的扩展、优化难点、设计高效的推断与抽样过程,以及学习分离数据中的因素变化等,并提出相应的研究方向。
Abstract
deep learning research aims at discovering learning algorithms that discover
multiple levels of distributed representations, with higher levels representing
more abstract concepts. Although the study of
发现论文,激发创造
数据表示学习综述:从传统特征学习到最近的深度学习
本文综述了数据表示学习方法的发展历程,探讨了传统特征学习算法和深度学习模型。提供了有关数据表示学习的历史,可用资源(例如在线课程,教程和书籍信息)和工具箱。最后,对数据表示学习的一些有趣的研究方向进行了总结。
Nov, 2016
深度因果学习:表示、发现和推断
本文综合评述了深度学习在因果学习中的贡献,解决了传统因果学习方法中的许多问题,并指出深度因果学习在因果科学的理论拓展和应用扩展中的重要性,并成为通用人工智能中不可或缺的一部分。
Nov, 2022
关于学习结构化表示的泛化
本文旨在研究用结构性表示学习的方法,具体分为解缠结表示与面向对象表示两个方向,以实现从非结构化数据中提取潜在结构信息的目的,同时还探讨了该方法对预训练表示和下游任务泛化能力的提升以及其对于大规模数据的高效表征学习的应用。
Apr, 2023
通过学习不变表示来打破深度神经网络中的维数诅咒
通过研究深度学习模型的架构和数据内在结构之间的关系,本文探讨了深度学习的理论基础,并通过实验和物理启发式玩具模型的结合,揭示了它们的内在工作原理,旨在填补理论与实践之间的鸿沟。
Oct, 2023