Improving sampling, optimization and feature extraction in Boltzmann machines

Improving sampling, optimization and feature extraction in Boltzmann machines

Show other versions (1)

L’apprentissage supervisé de réseaux hiérarchiques à grande échelle connaît présentement un succès fulgurant. Malgré cette effervescence, l’apprentissage non-supervisé représente toujours, selon plusieurs chercheurs, un élément clé de l’Intelligence Artificielle, où les agents doivent apprendre à pa...

Full description

Bibliographic Details
Main Author: Desjardins, Guillaume
Other Authors: Bengio, Yoshua
Language:en
Published: 2014
Subjects:
Réseaux de neurones
Apprentissage profond
Apprentissage non-supervisé
Apprentissage de représentations
Machines de Boltzmann
Méthode de Monte-Carlo par chaînes de Markov
Échantillonnage
Gradient naturel
Modèles bilinéaires
Fonction de partition
Neural networks
Deep learning
Unsupervised learning
Feature learning
Boltzmann machines
Markov chain Monte Carlo
Parallel tempering
Natural gradient
Bilinear models
Partition function
Applied Sciences - Artificial Intelligence / Sciences appliqués et technologie - Intelligence artificielle (UMI : 0800)
Online Access:http://hdl.handle.net/1866/10550

Internet

http://hdl.handle.net/1866/10550

Similar Items