Hay dos documentos recientes que muestran cómo usar los codificadores automáticos y sus variantes para realizar un aprendizaje general y transferir el aprendizaje cuando los espacios de características son diferentes. En el primer artículo, primero uniforman las dimensiones usando una distribución gaussiana, luego aprenden una variante de autoencoder denoising. El segundo artículo explora una idea similar pero en el contexto del aprendizaje de transferencia de datos cruzados. Creo que la idea general detrás de ambos documentos es aprender una representación latente en un espacio diferente donde las dimensiones de diferentes tamaños se puedan representar de la misma manera. Léelos para más información.
Uniformar la dimensionalidad de los datos con redes neuronales para la informática de materiales.
Aprendizaje de transferencia dual basado en codificador de muchos a uno para el reconocimiento de acciones humanas entre conjuntos de datos
- ¿Hay algunos trabajos relacionados con el aprendizaje por refuerzo?
- ¿Es indistinguible si el método t-SNE no muestra dos grupos claros (para un problema de clasificación de 2 clases)?
- ¿Qué título debo tomar para entrar en la investigación de Deep Learning? (Graduado de CS)
- ¿Es realmente posible comenzar una carrera seria de IA / ML con el objetivo final de trabajar en un lugar como OpenAI, Google o DeepMind a través del autoestudio?
- ¿Cuándo es el final de la red neuronal profunda? La gente está loca por esto y muchos de ellos no saben lo que está pasando dentro
