Apr, 2016

限制玻尔兹曼机的拓扑洞察

PDF
TL;DR本文从网络科学的角度，提出了一种基于小世界和无标度网络拓扑结构的约束 Restricted Boltzmann Machines 模型，它能够大大减少权重数量，提高生成能力，而不增加计算成本。
restricted boltzmann machinestopological perspectivesmall-world topologyscale-free topologysparse models
发现论文，激发创造
  • 利用高斯 - 二元受限玻尔兹曼机模拟自然图像统计

    本文从密度模型的角度出发，对高斯 - 二进制受限玻尔兹曼机（GRBM）进行理论分析，展示了 GRBM 的一些性能和限制，讨论了训练算法的几个关键点，并与其他改进的模型进行了比较。

    Jan, 2014

  • 使用贪婪的量子搜索学习受限玻尔兹曼机

    我们提出了相应的量子算法来解决 Restricted Boltzmann Machines 结构学习问题，并证明这些算法相对于经典算法在这两类 RBMs 的结构学习中具有多项式加速。

    Sep, 2023

  • 探究基于能量的神经网络的生成动态

    探讨采用 Restricted Boltzmann Machines 作为深度无监督学习结构的生成神经网络的生成动力学，并通过 RBM 对手写数字数据集进行实验证明从 Chimera 状态启动自上而下的采样可以增加生成多种数字的能力，然而 RBM 的自上而下动力学受到能量函数形状的严重限制。

    May, 2023

  • 一种基于生成式受限玻尔兹曼机的高维动作数据建模方法

    本文提出了在 RBMs 的能量函数中引入另一项以显式地建模输入数据中的局部空间交互作用，以建模全局动态和本地空间交互作用的理论扩展，通过提出的学习方法，在两个计算机视觉应用程序上评估了改进的 RBM 模型：面部表情识别和人体动作识别，并在基准数据库上展示了所提出算法的有效性。

    Oct, 2017

  • Hopfield 网络与受限玻尔兹曼机之间的映射

    本文介绍一种精确映射，将具备相关模式的 Hopfield 神经网络转换成具备高斯隐藏变量的 Restricted Boltzmann Machines，并在 MNIST 数据集上进行实验来验证该映射对 RBM 权重的有益初始化。

    Jan, 2021

  • 快速且准确地训练和抽样受限波尔兹曼机

    通过凸优化过程将数据集的主要方向整合到低秩 RBM 中，从而通过静态蒙特卡罗过程实现平衡分布的高效采样，成功训练 RBM 来捕捉之前方法失败的高度结构化数据集中的全部多样性，并提出了一种新的采样方法 - 平行轨迹调整，使得能够比之前的 MCMC 方法更快地采样训练模型的平衡分布并更好地估计对数似然。

    May, 2024

  • 受限波尔兹曼机与张量网络态的等价性

    将 RBM 和 TNS 相连接，我们可以构建更强大的深度学习架构，并使用 TNS 内的纠缠熵限制来量化 RBM 的复杂数据集表现能力。同时，RBM 将量子多体状态表示为少量参数，这可能允许更有效的经典模拟。

    Jan, 2017

  • 基于结构的受限玻尔兹曼机图像去噪与分类

    本文介绍的结构受限玻尔兹曼机（Structural Restricted Boltzmann Machine）模型针对图像建模的应用，通过限制隐层单元与可见层子集的连接来显著降低可训练参数数量，而不会影响性能。通过对多个图像域进行广泛实验，评估使用 MNIST 数据集的图像去噪结果和五个不同图像域的分类性能，结果表明相比于无限制连接的 RBM，该模型具有更快、更稳定的训练，并且可以获得更好的结果。

    Jun, 2023

  • 受限玻尔兹曼机的几何形态

    本文从代数统计学和热带几何的角度研究了基于完全二分图的 restricted Boltzmann machine 模型及其可识别性和维数，得出了该模型的计算和解码方法和与线性门限函数的联系。

    Aug, 2009

  • 使用 RBM 神经网络精确表示多体相互作用

    本文介绍了如何利用 Restricted Boltzmann Machines 模型表示多体系统的相互作用，并且通过离散辅助场将多体接触相互作用分解成一体算子，该方法可以扩展到更复杂的理论中，并提出了该方法在量子退火应用中的一些可能的应用以及如何通过机器学习来优化 RBM 参数。

    May, 2020