提升分类受限玻尔兹曼机性能的策略

摘要：

为提高分类受限玻尔兹曼机 (classification restricted Boltzmann machine, ClassRBM) 有限的学习能力, 提出一种基于重构误差的学习助推策略, 提升ClassRBM的分类性能.重构误差是模型生成的数据与原始数据之间的差异, 其会影响模型的性能.通过设置不同的重构误差阈值, 选择重构误差超过阈值的原始数据对强化模型进行训练.测试时, 统计测试数据集中被ClassRBM分错, 且重构误差超过阈值的测试数据, 如果存在这样的测试数据, 错分数据采用强化模型的分类结果.在不同数据集上的测试结果表明, 提出策略能提升ClassRBM的性能.

关键词：分类受限玻尔兹曼机、特征学习、提升策略、重构误差、分类性能

所属期刊栏目：40

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金面上基金项目61173184

在线出版日期：2019-05-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：250-255