凯特

凯特:K-竞争自动编码器的文本。自动编码器已经成功地从图像数据集中学习有意义的表示。然而,它们在文本数据集上的性能还没有得到广泛的研究。传统的自动编码器倾向于学习可能的文本文件的琐碎表示,因为它们的混杂属性,如高维性、稀疏性和幂律字分布。在本文中,我们提出了一种新的K-竞争的自动编码器,称为KATE,文本文件。由于隐层中神经元之间的竞争,每个神经元变得专门识别特定的数据模式,并且总体上该模型可以学习文本数据的有意义的表示。一套全面的实验表明,凯特可以学习比传统的自动编码器,包括降噪,压缩,变分,和K稀疏自动编码器更好的表示。我们的模型也优于深度生成模型,概率主题模型,甚至字表示模型(例如,Word2VEC)在几个下游任务,如文件分类,回归和检索。


ZBMaCT中的参考文献(1篇文章中提到)

显示1的结果1。
按年份排序(引文

  1. Aggavar,Charu C.:神经网络和深度学习。教科书(2018)