[deep learning] 最近看过的部分论文
6/6/2014 更新:
托deep learning的福,这个自学之余的简单总结一直是我豆瓣上浏览和推荐数最多的日志,在这里感谢大家的肯定。然而,deep learning是一个高速发展的领域,自那时起已经更新了许多(错误的)认识,以下内容某种意义上早已过时了。
很遗憾,我脱离deep learning的学习和研究已经整整两年了,所以对它最新的发展只是略知皮毛。有志于学习和应用deep learning的豆友,不妨参考最近两年的ICML和NIPS会议的相关论文,以及一个以deep learning为中心的新的国际会议International Conference on Learning Representations (ICLR);入门材料不妨参考这些会议上有关deep learning的tutorial video/slides,或者近年Machine Learning Summer School的相关内容。
希望以上信息对你有所帮助,祝学习顺利 :-)
======================================================
A Fast Learning Algorithm for Deep Belief Nets (2006)
- 首次提出layerwise greedy pretraining的方法,开创deep learning方向。layerwise pretraining的Restricted Boltzmann Machine (RBM)堆叠起来构成Deep Belief Network (DBN),其中训练最高层的RBM时加入了label。之后对整个DBN进行fine-tuning。在MNIST数据集上测试没有严重过拟合,得到了比Neural Network (NN)更低的test error。
Reducing the Dimensionality of Data with Neural Networks (2006)
- 提出deep autoencoder,作为数据降维方法发在Science上。Autoencoder是一类通过最小化函数集对训练集数据的重构误差,自适应地编解码训练数据的算法。Deep autoencoder模型用Contrastive Divergence (CD)算法逐层训练重构输入数据的RBM,堆叠在一起fine-tuning最小化重构误差。作为非线性降维方法在图像和文本降维实验中明显优于传统方法。
Learning Deep Architectures for AI (2009)
- Bengio关于deep learning的tutorial,从研究背景到RBM和CD再到数种deep learning算法都有详细介绍。还有丰富的reference。于是也有个缺点就是太长了。
A Practical Guide to Training Restricted Boltzmann Machines (2010)
- 如果想要自己实现deep learning算法,这篇是不得不看的。我曾经试过自己写但是效果很不好,后来看到它才知道算法实现中还有很多重要的细节。对照网上的代码看也能更好地理解代码。
Greedy Layer-Wise Training of Deep Networks (2007)
- 对DBN的一些扩展,比如应用于实值输入等。根据实验提出了对deep learning的performance的一种解释。
Why Does Unsupervised Pre-training Help Deep Learning? (2010)
- 总结了对deep learning的pretraining作用的两种解释:regularization和help optimization。设计实验验证两种因素的作用。
Autoencoders, Unsupervised Learning, and Deep Architectures (2011)
- 从理论角度对不同的Autoencoders作了统一分析的尝试。
On the Quantitative Analysis of Deep Belief Networks (2008)
- 用annealed importance sampling (AIS)给出一种估计RBM的partition function的方法,从而能够估算p(x)以及比较不同的DBN。
Training Restricted Boltzmann Machines using Approximations to the Likelihood Gradient (2008)
- 提出用persistent contrastive divergence (PCD)算法逼近maximum likelihood estimation的目标,从而可以得到更好的generative model。传统CD算法并不是以最大化p(x)为目标的,另有paper证明CD算法不对应任何优化目标函数。
托deep learning的福,这个自学之余的简单总结一直是我豆瓣上浏览和推荐数最多的日志,在这里感谢大家的肯定。然而,deep learning是一个高速发展的领域,自那时起已经更新了许多(错误的)认识,以下内容某种意义上早已过时了。
很遗憾,我脱离deep learning的学习和研究已经整整两年了,所以对它最新的发展只是略知皮毛。有志于学习和应用deep learning的豆友,不妨参考最近两年的ICML和NIPS会议的相关论文,以及一个以deep learning为中心的新的国际会议International Conference on Learning Representations (ICLR);入门材料不妨参考这些会议上有关deep learning的tutorial video/slides,或者近年Machine Learning Summer School的相关内容。
希望以上信息对你有所帮助,祝学习顺利 :-)
======================================================
A Fast Learning Algorithm for Deep Belief Nets (2006)
- 首次提出layerwise greedy pretraining的方法,开创deep learning方向。layerwise pretraining的Restricted Boltzmann Machine (RBM)堆叠起来构成Deep Belief Network (DBN),其中训练最高层的RBM时加入了label。之后对整个DBN进行fine-tuning。在MNIST数据集上测试没有严重过拟合,得到了比Neural Network (NN)更低的test error。
Reducing the Dimensionality of Data with Neural Networks (2006)
- 提出deep autoencoder,作为数据降维方法发在Science上。Autoencoder是一类通过最小化函数集对训练集数据的重构误差,自适应地编解码训练数据的算法。Deep autoencoder模型用Contrastive Divergence (CD)算法逐层训练重构输入数据的RBM,堆叠在一起fine-tuning最小化重构误差。作为非线性降维方法在图像和文本降维实验中明显优于传统方法。
Learning Deep Architectures for AI (2009)
- Bengio关于deep learning的tutorial,从研究背景到RBM和CD再到数种deep learning算法都有详细介绍。还有丰富的reference。于是也有个缺点就是太长了。
A Practical Guide to Training Restricted Boltzmann Machines (2010)
- 如果想要自己实现deep learning算法,这篇是不得不看的。我曾经试过自己写但是效果很不好,后来看到它才知道算法实现中还有很多重要的细节。对照网上的代码看也能更好地理解代码。
Greedy Layer-Wise Training of Deep Networks (2007)
- 对DBN的一些扩展,比如应用于实值输入等。根据实验提出了对deep learning的performance的一种解释。
Why Does Unsupervised Pre-training Help Deep Learning? (2010)
- 总结了对deep learning的pretraining作用的两种解释:regularization和help optimization。设计实验验证两种因素的作用。
Autoencoders, Unsupervised Learning, and Deep Architectures (2011)
- 从理论角度对不同的Autoencoders作了统一分析的尝试。
On the Quantitative Analysis of Deep Belief Networks (2008)
- 用annealed importance sampling (AIS)给出一种估计RBM的partition function的方法,从而能够估算p(x)以及比较不同的DBN。
Training Restricted Boltzmann Machines using Approximations to the Likelihood Gradient (2008)
- 提出用persistent contrastive divergence (PCD)算法逼近maximum likelihood estimation的目标,从而可以得到更好的generative model。传统CD算法并不是以最大化p(x)为目标的,另有paper证明CD算法不对应任何优化目标函数。
Bayesian
(Boston, United States)
1. "Not to be a republican at twenty is proof of want of heart; to ...
Bayesian的最新日记 · · · · · · ( 全部 )
- “三”生万物与婴儿的数目认知 (2人喜欢)
- “Model Checking” Saves the Day (21人喜欢)
- 抛硬币的学问
- Graduate Courses on Machine Learning / Probabilistic Graphical Models (89人喜欢)
- Q1: 5, 15, 10, 215, ? (13人喜欢)
热门话题 · · · · · · ( 去话题广场 )
- 你是怎样与物品告别的 97.1万次浏览
- 你为独自过年做的准备 118.0万次浏览
- 为自然中的场景写一段朦胧诗 8.7万次浏览
- 看展记 3988.7万次浏览
- 婚姻周旋学 102.8万次浏览
- 打动过你的现代艺术作品 28.5万次浏览