深度学习:关键评估
本文综述了深度学习方法的发展历程及其在图像处理、语音识别、智能控制等多个应用领域的优异表现,并讨论了深度学习方法中的各种高级技术,如深度神经网络、卷积神经网络、长短期记忆网络等。同时,本文还提供了近期开发的框架、软件开发工具以及评估数据集来帮助开发者实现和评估深度学习方法。
Mar, 2018
批判性地探讨深度神经网络 (DNN) 作为实现人工通用智能的技术选择的可行性,并给出了五个主要的原因进行支撑,表明 DNN 目前还不适合成为实现人工通用智能的选择。
Mar, 2022
综述了深度学习在计算机视觉、自然语言处理、时间序列分析和普适计算领域的最新模型以及其在解决各个领域问题中的有效性,并介绍了深度学习的基础知识、各种模型类型以及重要的卷积神经网络架构,并讨论了深度学习研究的挑战和未来方向。
Mar, 2024
深度学习在机器人系统中的应用、优势和局限性进行了探讨,以当前研究为例,旨在向更广泛的机器人社区传达最新进展,激发人们在机器人领域中更多地应用深度学习。
Jul, 2017
介绍了深度学习和神经网络模型(如卷积神经网络、递归神经网络、生成对抗网络)以及训练技术(如随机梯度下降、dropout、批量归一化)的统计学观点,强调了深度学习的新特征(包括深度和过参数化)及其实际和理论上的好处,同时探讨了深度学习的理论基础和最新研究成果;期望为新的统计研究提供一种思路。
Apr, 2019
该论文介绍了人工智能中机器学习的相关概念,特别介绍了称为深度神经网络(DNNs)的一种深度学习模型,它具有多个人工神经元和层级结构,但容易受到所谓的 “灾难性遗忘”(CF)效应的影响,它还介绍了对抗 CF 效应的各种技术,以实现持续学习的目标。
Jul, 2022
通过对深度学习应用的依赖程度的分析,本文发现目前的进展主要依赖计算能力的提升。然而,这种趋势在经济、技术和环境上都具有不可持续性。因此,要想在这些应用领域取得更进一步的进展就必须依靠更为高效的计算方法,这要么意味着改变深度学习的方法,要么就是使用其他机器学习方法。
Jul, 2020
该论文探讨了神经网络的复兴及其对人工智能领域的影响,介绍了监督学习和深度学习等技术的应用和优劣势,同时也指出了一些伦理和技术上的问题和挑战。
Oct, 2022