Jan, 2024

基于鉴别对齐的投影信念网络用于声学事件分类：与最先进的 CNNs 相媲美

PDF
TL;DR通过投影信念网络（PBN）和生成随机网络进行判别式对齐从而提高分类性能，并将隐马尔可夫模型与 PBN 结合，结果显示与先进的卷积神经网络相比，PBN-DA-HMM 能够获得可比或更好的性能，并且当与卷积神经网络结合时错误率降低了一倍。
projected belief networkgenerative stochastic networkdiscriminative alignmenthidden markov modelclassification performance
发现论文，激发创造
  • ApproxDBN：用于鉴别式深度置信网络的近似计算

    通过有限精度变量、关键性分析、贪婪策略等技术实现近似深置信网络 (ApproxDBNs)，在保证目标准确率的前提下，最大化降低硬件实现的能耗。实验结果表明，通过限制准确度损失，能够显著降低硬件的处理精度。

    Apr, 2017

  • 鲁棒文本分类：分析基于原型的网络

    基于原型网络 (Prototype-Based Networks) 的鲁棒性在自然语言处理 (NLP) 文本分类任务中能够面对现实扰动，并且主要由保持原型可解释性的目标函数支持。

    Nov, 2023

  • 递归贝叶斯网络：概括和统一概率无上下文文法和动态贝叶斯网络

    本文提出了递归贝叶斯网络 (RBNs)，它是概率上下文无关文法和动态贝叶斯网络的扩展和统一，将它们的优点结合在一起作为特殊情况，定义了一个关于离散或连续潜在变量的树形结构贝叶斯网络的联合分布，同时解决了潜在变量为连续的情况下的结构和连续变量推断的挑战。

    Nov, 2021

  • 基于去噪深度神经网络的语音活动检测

    本文提出了一种去噪深度神经网络 (DDNN) 声活检测 (VAD) 方法，通过无监督预训练的方式提取特征并通过监督学习修正，实验结果表明该方法优于基于深度置信网络 (DBN) 的 VAD 并且在深度层次上具有明显优势。

    Mar, 2013

  • 用于图像去噪的深度信念网络

    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

  • 使用确定性投影信念网络改进的自编码

    本文研究了一种基于确定性投影信念网络 (D-PBN) 的自动编码器，并利用可训练的复合激活函数 (TCAs) 的独特性质进行优化，实现更好的数据分析和重构性能，超过了标准自动编码器和变分自动编码器。

    Sep, 2023

  • PFNs 是现实世界贝叶斯优化的灵活模型

    该论文介绍了如何利用 Prior-data Fitted Networks (PFNs) 在贝叶斯优化中作为一种灵活的代理模型，并演示了 PFN 在人工高斯过程和超参数优化测试方面的效用。

    May, 2023

  • 使用卷积神经网络从原始语音信号估计音素类条件概率

    本文探究一种利用卷积神经网络（CNN），以原始语音信号作为输入、输出为音素类别条件概率估计的新方法，比较其在 TIMIT 音素识别任务中的表现，发现该方法可以获得与传统方法相当或更好的音素识别性能，表明 CNN 可以自动从原始语音信号中学习与音素分类相关的特征。

    Apr, 2013

  • 多项式网络完全正确性验证

    通过新的边界方法，我们提出了一种名为 VPN 的算法，具有全局收敛保证，可在 MNIST、CIFAR10 和 STL10 数据集上进行经验证的完整 PN 验证，其关键洞察是我们获得比 IBP 和 DeepT-Fast 更紧密的边界。

    Sep, 2022

  • Poisson Gamma 信念网络

    利用 Poisson gamma 信仰网络 (PGBN) 因子化每一层，通过上下 Gibbs 采样器进行联合训练，实现对高维计数向量的多层表示

    Nov, 2015