Contractive De-noising Auto-encoder
Auteurs : Fu-qiang Chen, Yan Wu, Guo-dong Zhao, Jun-ming Zhang, Ming Zhu, Jing Bai
Points clés générés par l'IA
- Un auto-encodeur est un type spécial de réseau neuronal basé sur la reconstruction.
- Le débruitage auto-encodeur (DAE) est une version améliorée qui est robuste à l'entrée en corrompant d'abord les données originales et en reconstruisant ensuite l'entrée originale en minimisant la fonction d'erreur de reconstruction.
- L'auto-encodeur contractif (CAE) est un autre type d'auto-encodeur amélioré pour apprendre une caractéristique robuste en introduisant la norme de Frobenius de la matrice jacobienne de la caractéristique apprise par rapport à l'entrée originale.
- Les auteurs proposent un autre auto-encodeur amélioré, l'auto-encodeur contractif-débruitage (CDAE), qui combine le débruitage auto-encodeur et l'auto-encodeur contractif pour être robuste à la fois à l'entrée originale et à la caractéristique apprise.
- Ils empilent CDAE pour extraire des caractéristiques plus abstraites et appliquent SVM pour la classification.
- Les résultats expérimentaux sur le jeu de données MNIST montrent que leur méthode CDAE proposée a mieux performé que DAE et CAE, ce qui prouve son efficacité.
Résumé : Auto-encoder is a special kind of neural network based on reconstruction. De-noising auto-encoder (DAE) is an improved auto-encoder which is robust to the input by corrupting the original data first and then reconstructing the original input by minimizing the reconstruction error function. And contractive auto-encoder (CAE) is another kind of improved auto-encoder to learn robust feature by introducing the Frobenius norm of the Jacobean matrix of the learned feature with respect to the original input. In this paper, we combine de-noising auto-encoder and contractive auto- encoder, and propose another improved auto-encoder, contractive de-noising auto- encoder (CDAE), which is robust to both the original input and the learned feature. We stack CDAE to extract more abstract features and apply SVM for classification. The experiment result on benchmark dataset MNIST shows that our proposed CDAE performed better than both DAE and CAE, proving the effective of our method.
Outils pour cet article
Posez des questions sur cet article à notre assistant IA
Vous pouvez aussi discutez avec plusieurs papiers à la fois ici.
⚠La licence de l'article ne nous permet pas de nous appuyer sur son contenu et l'assistant IA ne peut se servir que des métadonnées de l'article plutôt que de l'article complet.
Le résumé précédent a été créé il y a plus d'un an et peut être réexécuté (si nécessaire) en cliquant sur le bouton Exécuter ci-dessous.
⚠La licence de cet article spécifique ne nous permet pas de nous appuyer sur son contenu et les outils de synthèse seront exécutés en utilisant les métadonnées de l'article plutôt que l'article complet. Cependant, l'outil produira quand même un bon résultat, et vous pouvez également essayer nos outils sur des papiers avec des licences plus ouvertes.
Articles similaires résumés avec nos outils d'IA
Naviguez à travers encore plus d'articles similaires en utilisant une
représentation arborescenteRecherchez des articles similaires (en version bêta)
Nous comparons le titre et le résumé avec les articles indexés dans notre base. Pour les articles arXiv, la recherche porte sur la même catégorie ; pour les DOI et les autres sources, elle couvre toutes les sources et disciplines. Vous pouvez la relancer à mesure que notre base s’enrichit.
Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.