Feb, 2024

进化受限玻尔兹曼机 - 科赫宁网络用于在线聚类

PDF
TL;DR提出了一种新的在线聚类算法，其中一个 Evolving Restricted Boltzmann Machine (ERBM) 嵌入了一种称为 ERBM-KNet 的 Kohonen 网络。该算法通过使用 ERBM 处理无标签图像数据，并利用从 ERBM 提取的特征来预测聚类数和更新簇中心。与其他聚类算法相比，ERBM-KNet 在解决聚类算法常见问题方面表现出显著的改善，并在四个基准数据集和一个行业数据集上进行了广泛的实验评估，证明了其优越性。
online clustering algorithmevolving restricted boltzmann machinekohonen networkneuron growing and pruningcluster prediction
发现论文，激发创造
  • 使用受限玻尔兹曼机进行图像聚类

    使用限制玻尔兹曼机 (Restricted Boltzmann Machines) 进行图像聚类任务，通过训练通用 RBM 模型和适应每个测试图像的 RBM 模型，生成嵌入向量用于图像聚类任务，并在实验结果中表明该方法优于 k-means、谱聚类和近似顺序排名算法。

    Dec, 2023

  • 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

  • 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

  • 无监督集成学习的深度学习方法

    本文介绍了深度学习方法如何应用于众包和无监督集成学习，证明了在 Dawid 和 Skene 模型下，假定所有分类器是条件独立的，等价于具有单个隐藏节点的受限玻尔兹曼机 (RBM)，提出了采用基于 RBM 的深度神经网络 (DNN) 的方法来解决分类器强烈违反条件独立性假设的问题，实验结果表明，我们提出的 DNN 方法在各种模拟和实际数据集上表现优异，尤其是当数据违反条件独立性假设时。

    Feb, 2016

  • 基于低秩扩展卡尔曼滤波的神经网络在线学习

    该研究提出了一种高效的在线近似贝叶斯推断算法，用于从可能的非静态数据流中估计非线性函数的参数，并通过使用后验精度矩阵的新型低秩加对角线分解，使每步成本与模型参数数量呈线性关系，与基于随机变分推断的方法相比，我们的方法是完全确定性的，不需要步长调整，并显示实验表明，这导致学习速度更快（更节约样本），从而更快地适应不断变化的分布，并作为上下文强化学习算法的一部分积累奖励更快。

    May, 2023

  • 可微分的深度聚类 + 聚类大小限制

    通过将 $k$-means 聚类算法重写为最优传输任务，并加入熵正则化，我们提出了一种全新的方法，其中嵌入是由深度神经网络执行的，表明与现有的基于软 $k$-means 的最新方法相比，我们的最优传输方法提供更好的无监督准确度，不需要预训练阶段。

    Oct, 2019

  • 用受限玻尔兹曼机加速蒙特卡罗模拟

    本文提出了将人工神经网络用于蒙特卡罗方法的改进，使其在统计物理问题中的混合时间得以加速，具体应用于 Falicov-Kimball 模型，并在其相变点附近展示了接受比率和自相关时间的提高。

    Oct, 2016

  • 使用受限波尔兹曼机进行组合优化的可扩展性

    本研究将生成性神经网络 RBM 集成到 EDA 中，通过实验发现 RBM-EDA 在解决组合优化问题时对于大规模或复杂问题具有更快的 CPU 时间，更少的建模时间，表明使用生成性神经网络用于组合优化具有潜在的优势。

    Nov, 2014

  • 基于神经网络的成对约束聚类

    本文介绍了一种基于神经网络的端到端聚类框架，该框架可从原始数据中推动形成聚类，且无需提前定义聚类中心，具有较好的性能且对聚类数量不敏感。

    Nov, 2015

  • 限制玻尔兹曼机的拓扑洞察

    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。

    Apr, 2016