• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Neural Networks and Learning Systems, IEEE Transactions on >A Network Framework for Small-Sample Learning
【24h】

A Network Framework for Small-Sample Learning

机译：小型样本学习的网络框架

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Small-sample learning involves training a neural network on a small-sample data set. An expansion of the training set is a common way to improve the performance of neural networks in small-sample learning tasks. However, improper constraints in expanding training data will reduce the performance of the neural networks. In this article, we present certain conditions for incorporation of additional training data. According to these conditions, we propose a neural network framework for self-training using self-generated data called small-sample learning network (SSLN). The SSLN consists of two parts: the expression learning network and the sample recall generative network, both of which are constructed based on restricted Boltzmann machine (RBM). We show that this SSLN can converge as well as the RBM. Moreover, the experiment results on MNIST Digit, SVHN, CIFAR10, and STL-10 data sets reveal the superiority of the SSLN over other models.
机译：小样本学习涉及在小样本数据集上培训神经网络。培训集的扩展是提高神经网络在小样本学习任务中的性能的常用方式。但是，扩展培训数据的约束不当将降低神经网络的性能。在本文中，我们为额外的培训数据提供了某些条件。根据这些条件，我们向使用称为小样本学习网络（SSLN）的自生物数据提出了一种神经网络框架，用于使用自生物数据（SSLN）。 SSLN由两部分组成：表达式学习网络和样本召回生成网络，两者都基于受限制的Boltzmann机（RBM）构建。我们表明，此SSLN可以收敛以及RBM。此外，MNIST数字，SVHN，CIFAR10和STL-10数据集的实验结果揭示了SSLN在其他模型上的优越性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号