本文我们将简要讨论其他深度架构,它们使用与深度神经网络类似的多个抽象层和表示层,也称为深度生成模型(deep generate Models,DGM)。Bengio(2009)解释了深层架构,例如Boltzmann machine(BM)和Restricted Boltzmann Machines(RBM)及其变体等。
Goodfellow等(2016)详细解释了深度生成模型,如受限和非受限的玻尔兹曼机及其变种、深度玻尔兹曼机、深度信念网络(DBN)、定向生成网络和生成随机网络等。
Maaløe等(2016)提出了辅助的深层生成模型(Auxiliary Deep Generative Models),在这些模型中,他们扩展了具有辅助变量的深层生成模型。辅助变量利用随机层和跳过连接生成变分分布。
Rezende等(2016)开发了一种深度生成模型的单次泛化。
玻尔兹曼机
玻尔兹曼机是学习任意概率分布的连接主义方法,使用最大似然原则进行学习。
受限玻尔兹曼机
受限玻尔兹曼机(Restricted Boltzmann Machines,RBM)是马尔可夫随机场的一种特殊类型,包含一层随机隐藏单元,即潜变量和一层可观测变量。
Hinton和Salakhutdinov(2011)提出了一种利用受限玻尔兹曼机(RBM)进行文档处理的深度生成模型。
深度信念网络
深度信念网络(Deep Belief Networks,DBN)是具有多个潜在二元或真实变量层的生成模型。
Ranzato等(2011)利用深度信念网络(deep Belief Network,DBN)建立了深度生成模型进行图像识别。
深度朗伯网络
Tang等(2012)提出了深度朗伯网络(Deep Lambertian Networks,DLN&#x