Resumen

El estimador neuronal de distribución autorregresiva (NADE) es un modelo competitivo para la tarea de estimación de la densidad en el campo del aprendizaje automático. Mientras que NADE se centra principalmente en el problema de la estimación de la densidad, la capacidad para hacer frente a otras tareas sigue siendo mejorada. En este trabajo, introducimos un esquema simple y eficiente de reponderación para modificar los parámetros del NADE aprendido. Hacemos uso de la estructura de NADE, y los pesos se derivan de las activaciones en las capas ocultas correspondientes. Los experimentos muestran que las características del aprendizaje no supervisado con nuestro esquema reponderado serían más significativas, y el rendimiento de la inicialización para las redes neuronales también tiene una mejora significativa.

• Materias:Biotecnología Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithms Brain - pathophysiology Neurophysiology
• Palabras claves:distribución neuronal autorregresiva, campo de la máquina, tarea de la densidad, estructura del nade, esquema reponderado eficiente, capa oculta correspondiente, modelo competitivo, esquema reponderado, aprendizaje de la máquina, nade aprendido
• Keywords:neural autoregressive distribution, field of machine, task of density, structure of nade, efficient reweighted scheme, corresponding hidden layer, competitive model, reweighted scheme, machine learning, learned nade