可解释化、结构化、多模态化的深度神经网络

被引：10

作者：

熊红凯 ^{[1
]}

高星 ^{[1
]}

李劭辉 ^{[1
]}

徐宇辉 ^{[1
]}

王涌壮 ^{[1
]}

余豪阳 ^{[2
]}

刘昕 ^{[2
]}

张云飞 ^{[3
]}

机构：

[1] 上海交通大学电子工程系

[2] 深圳市腾讯计算机系统有限公司

[3] 宇龙计算机通信科技有限公司

来源：

模式识别与人工智能 | 2018年 / 31卷 / 01期

关键词：

深度学习; 滤波器组; 小波理论; 结构化学习; 多模态学习;

D O I：

10.16451/j.cnki.issn1003-6059.201801001

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

深度学习方法依赖于大规模的标签数据,通过端到端的监督训练,在计算机视觉、自然语言处理领域都取得优异性能.但是,现有方法通常针对单一模态数据,忽视数据的内在结构,缺乏理论支撑.针对上述问题,文中从基于小波核学习的深度滤波器组网络设计、基于结构化学习的深度学习、基于多模态学习的深度学习3个角度阐述结合深度学习方法与小波理论、结构化预测的潜在方法,以及其拓展到多模态数据的可行机制.

引用

页码：1 / 11

页数：11

共 5 条

[1]

Wavelets on graphs via spectral graph theory[J] . David K. Hammond,Pierre Vandergheynst,Rémi Gribonval. Applied and Computational Harmonic Analysis . 2010 (2)

[2] Search-based structured prediction [J].

Daume, Hal, III ;

Langford, John ;

Marcu, Daniel .

MACHINE LEARNING, 2009, 75 (03) :297-325

[3]

Deep Forest:Towards an Alternative to Deep Neural Networks .2 ZHOU Z H,FENG J. https://arxiv.org/pdf/1702.08835.pdf . 2017

[4]

Imagenet Classification with Deep Convolutional Neural Networks[C/OL] .2 KRIZHEVSKY A,SUTSKEVER L,HINTON G E. https://papers.nips.cc/paper/4824-imagenet-classifi cation-with-deep-convolutional-neural-networks.pdf . 2017

[5]

Deconvolutional networks .2 Zeiler M D,Krishnan D,Taylor G W,et al. IEEE Conference on Computer Vision and Pattern Recognition (CVPR) . 2010

← 1 →