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.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Revisión del nanofluido a base de aceite como aislamiento de nueva generación para aplicaciones en transformadores
Conferencia:
Incremento de la producción de alcohol en fermentación de melazas mediante la utilización del complejo enzimático Rhyzozyme
Artículo:
Rendimiento del agar económico en el cultivo de tejidos de HK-37.
Artículo:
Síntesis de polvos de nanocobalto para un material anódico de baterías de iones de litio mediante reducción química y recubrimiento de carbono
Artículo:
Membranas de fluoruro de polivinilideno y nanocompuestos de PVDF con nanotubos de carbono mediante precipitación por inmersión
Informe, reporte:
Diagnóstico sobre la logística del comercio internacional y su incidencia en la competitividad de las exportaciones de los países miembros
Infografía:
Sistemas de calidad. Six Sigma
Manual:
Química de los taninos
Artículo:
Influencia del COVID-19 en las dinámicas de exportación, producción y consumo de carne vacuna en Colombia y el mundo: Una revisión monográfica.