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
本文介绍了一种基于贝叶斯概率论的深度学习方法,并应用于 Airbnb 的国际订房预测,结果表明深度学习对于高维数据预测有较好的表现。
Jun, 2017
该文章使用复杂网络中常用的技术研究了深度置信网络,以期获得从学习过程中得到的计算图的结构和功能特性的一些见解。
Sep, 2018
该研究通过几何视角揭示深度学习的关键在于学习数据的流形结构和概率分布,并提出一种控制潜在空间中概率分布的最优质量传递理论。
May, 2018
本文概述了深度学习的一些关键多层人工神经网络以及使用多智能体方法的新型自动体系结构优化协议;以及深度学习在异常行为检测、预测和预测分析、医学图像处理和分析、电力系统研究等应用领域的探索性调查。
May, 2019
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
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
我们描述了深度学习数学分析的新领域,涉及到超参数神经网络的普适性,深度对于网络的作用,感知问题的缺失,问题优化性能的成功和架构的各个方面对学习任务的影响,并提供了现代方法的概述和详细的主要思想。
May, 2021
这篇文章总结了深度神经网络在模式识别和机器学习中的应用,包括深度监督学习、无监督学习和强化学习,在搜索深层网络的过程中进行了间接搜索。
Apr, 2014
深度学习应用于教育数据科学的调查和讨论,主要涉及深度神经网络、知识追踪模型和自动情感与行为检测器等领域。
Apr, 2024