典型文献
解耦表征学习综述
文献摘要：
在大数据时代下,以高效自主隐式特征提取能力闻名的深度学习引发了新一代人工智能的热潮,然而其背后黑箱不可解释的"捷径学习"现象成为制约其进一步发展的关键性瓶颈问题.解耦表征学习通过探索大数据内部蕴含的物理机制和逻辑关系复杂性,从数据生成的角度解耦数据内部多层次、多尺度的潜在生成因子,促使深度网络模型学会像人类一样对数据进行自主智能感知,逐渐成为新一代基于复杂性的可解释深度学习领域内重要研究方向,具有重大的理论意义和应用价值.本文系统地综述了解耦表征学习的研究进展,对当前解耦表征学习中的关键技术及典型方法进行了分类阐述,分析并汇总了现有各类算法的适用场景并对此进行了可视化实验性能展示,最后指明了解耦表征学习今后的发展趋势以及未来值得研究的方向.
文献关键词：
深度学习;捷径学习;潜在生成因子;智能感知;解耦表征学习
中图分类号：
作者姓名：
文载道;王佳蕊;王小旭;潘泉
作者机构：
西北工业大学自动化学院 西安710129;信息融合技术教育部重点实验室 西安710129
文献出处：
引用格式：
[1]文载道;王佳蕊;王小旭;潘泉-.解耦表征学习综述)[J].自动化学报,2022(02):351-374
A类：
解耦表征学习,捷径学习,潜在生成因子
B类：
隐式,特征提取能力,闻名,新一代人工智能,黑箱,可解释,瓶颈问题,学习通,物理机制,关系复杂性,数据生成,深度网络模型,自主智能,智能感知,学习领域,意义和应用,适用场景,可视化实验,实验性
AB值：
0.21754
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
