通过构建深度神经网络中的因果模型并使用自动编码器提取关键概念作为变量,我们开发了一种解释神经网络输出预测的方法,并使用该因果模型识别和可视化对最终分类具有显着因果影响的特征。
Feb, 2018
本文中,我们提出一种新的深度学习网络架构,其中包含自编码器和原型层,这种网络可以自然地解释每个预测的原因,并且能够进行分类。
Oct, 2017
本文提出了一种基于深度学习的自动生成和分类恶意软件签名的方法,使用深度置信网络 (DBN) 生成恶意软件行为的不变紧凑表示。通过使用 DBN 生成的签名,本方法使用包含数百个变体的数据集,对几个主要恶意软件家族的新变体实现了 98.6% 的分类准确率。
Nov, 2017
本文介绍了一种深度、生成式自编码器,它能够从数据中学习分层式分布式表示。通过基于最小描述长度原理的有效近似参数估计方法,我们证明了该方法在几个经典数据集上取得了最先进的生成性能。
Oct, 2013
本文提出了一种新的基于深度置信网络的图像去噪方法,在 MNIST 数据集上的应用结果显示,该方法在去噪方面取得了显著的成果。
Dec, 2013
本文提出了一种新型的 Deep Global Balancing Regression(DGBR)算法,该算法可以同时优化深度自编码模型和全局平衡模型,以实现特征选择和稳定预测。通过实证实验,该算法表现出比现有最先进的方法更好的表现。
Jun, 2018
在 GWAS 数据中,本研究引入了一种针对超高维数据的特征选择方法,该方法利用 Frobenius 范数惩罚增强学生网络的适应能力,通过自动编码器或监督自动编码器进行维度约简,以及经过正则化的前馈模型进行精确特征选择,在实验中展示了其在 GWAS 数据特征选择中的高效性和灵活性。
Dec, 2023
通过多步训练方法设计广义线性分类器,优化验证误差、改进期望输出并提升深度学习模型的性能,从而构建小而强大的快速深度学习模型。
Aug, 2023
该论文提出了一种可以在数据流分析中自适应构建去噪自编码器 DEVDAN,并以单次学习为基础的方法,通过网络重要性估计来自动添加或修剪输入特征,从而提高分类精度并适应不断变化的环境。
Sep, 2018
本文针对降维问题提出并分析了一种由序列化偏差估计、线性趋势估计和非线性残差估计组成的增量自编码器。实验结果表明,仅通过浅层网络封装非线性行为的自编码器能够识别具有低自编码误差的数据集的内在维度。该研究进一步比较了深层和浅层网络结构及其训练方法,发现深层网络结构在识别内在维度时获得较低的自编码误差,但是与浅层网络相比,检测到的维度并没有变化。
Oct, 2022