Knowledge Commons of Institute of Automation,CAS
解耦表征学习综述 | |
文载道; 王佳蕊; 王小旭; 潘泉 | |
发表期刊 | 自动化学报 |
ISSN | 0254-4156 |
2022 | |
卷号 | 48期号:2页码:351-374 |
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. |
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 |
DOI | 10.16383/j.aas.c210096 |
引用统计 | |
文献类型 | 期刊论文 |
条目标识符 | http://ir.ia.ac.cn/handle/173211/56405 |
专题 | 学术期刊_自动化学报 |
推荐引用方式 GB/T 7714 | 文载道,王佳蕊,王小旭,等. 解耦表征学习综述[J]. 自动化学报,2022,48(2):351-374. |
APA | 文载道,王佳蕊,王小旭,&潘泉.(2022).解耦表征学习综述.自动化学报,48(2),351-374. |
MLA | 文载道,et al."解耦表征学习综述".自动化学报 48.2(2022):351-374. |
条目包含的文件 | 下载所有文件 | |||||
文件名称/大小 | 文献类型 | 版本类型 | 开放类型 | 使用许可 | ||
AAS-CN-2021-0096.pdf(42055KB) | 期刊论文 | 出版稿 | 开放获取 | CC BY-NC-SA | 浏览 下载 |
个性服务 |
推荐该条目 |
保存到收藏夹 |
查看访问统计 |
导出为Endnote文件 |
谷歌学术 |
谷歌学术中相似的文章 |
[文载道]的文章 |
[王佳蕊]的文章 |
[王小旭]的文章 |
百度学术 |
百度学术中相似的文章 |
[文载道]的文章 |
[王佳蕊]的文章 |
[王小旭]的文章 |
必应学术 |
必应学术中相似的文章 |
[文载道]的文章 |
[王佳蕊]的文章 |
[王小旭]的文章 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论