格里戈伊尔·蒙塔文;Mikio L.布劳恩。;穆勒,克劳斯·罗伯特 深层网络的内核分析。 (英语) Zbl 1280.68186号 J.马赫。学习。物件。 12, 2563-2581 (2011). 总结:在训练深层网络时,通常会形成一个高效且通用的问题表示。在本文中,我们旨在阐明是什么使新兴的代表性获得成功。我们通过构建一系列越来越深的内核来分析深度网络中表示的分层演化,这些内核包含越来越多的深度网络层执行的映射,并测量这些越来越复杂的内核如何适应学习问题。我们观察到,深层网络对学习问题的表征越来越完善,深层网络的结构控制着任务表征层层形成的速度。 引用于6文件 MSC公司: 68T05型 人工智能中的学习和自适应系统 62H25个 因子分析和主成分;对应分析 62G08号 非参数回归和分位数回归 关键词:深层网络;核主成分分析;表示 PDF格式BibTeX公司 XML格式引用 \textit{G.Montavon}等人,J.Mach。学习。第12号决议,2563--2581(2011年;Zbl 1280.68186) 全文: 链接