典型文献
知识堆叠降噪自编码器
文献摘要：
深度神经网络是具有复杂结构和多个非线性处理单元的模型,广泛应用于计算机视觉、自然语言处理等领域.但是,深度神经网络存在不可解释这一致命缺陷,即"黑箱问题",这使得深度学习在各个领域的应用仍然存在巨大的障碍.本文提出了一种新的深度神经网络模型——知识堆叠降噪自编码器(Knowledge-based stacked denoising autoencoder,KBSDAE).尝试以一种逻辑语言的方式有效解释网络结构及内在运作机理,同时确保逻辑规则可以进行深度推导.进一步通过插入提取的规则到深度网络,使KBSDAE不仅能自适应地构建深度网络模型并具有可解释和可视化特性,而且有效地提高了模式识别性能.大量的实验结果表明,提取的规则不仅能够有效地表示深度网络,还能够初始化网络结构以提高KBSDAE的特征学习性能、模型可解释性与可视化,可应用性更强.
文献关键词：
深度学习;堆叠降噪自编码器;知识发现;符号规则;分类规则
中图分类号：
作者姓名：
刘国梁;余建波
作者机构：
同济大学机械与能源工程学院 上海201804
文献出处：
引用格式：
[1]刘国梁;余建波-.知识堆叠降噪自编码器)[J].自动化学报,2022(03):774-786
A类：
KBSDAE,符号规则
B类：
堆叠降噪自编码器,复杂结构,处理单元,计算机视觉,自然语言处理,致命,黑箱,深度神经网络模型,Knowledge,stacked,denoising,autoencoder,试以,运作机理,逻辑规则,深度网络模型,模式识别,识别性,初始化,特征学习,学习性,模型可解释性,知识发现,分类规则
AB值：
0.27724
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。
