Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Federal de São Carlos (UFSCar) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Passos, Leandro Aparecido | - |
Autor(es): dc.creator | Santana, Marcos Cleison [UNESP] | - |
Autor(es): dc.creator | Moreira, Thierry [UNESP] | - |
Autor(es): dc.creator | Papa, Joao Paulo [UNESP] | - |
Autor(es): dc.creator | IEEE | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:20:01Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:20:01Z | - |
Data de envio: dc.date.issued | 2020-12-10 | - |
Data de envio: dc.date.issued | 2020-12-10 | - |
Data de envio: dc.date.issued | 2019-01-01 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/197766 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/197766 | - |
Descrição: dc.description | Restricted Boltzmann Machines achieved notorious popularity in the scientific community in the last decade due to outstanding results in a wide range of applications and also for providing the required mechanisms to build successful deep learning models, i.e., Deep Belief Networks and Deep Boltzmann Machines. However, their main bottleneck is related to the learning step, which is usually time-consuming. In this paper, we introduce a Sigmoid-like family of functions based on the Kaniadakis entropy formulation in the context of the RBM learning procedure. Experiments concerning binary image reconstruction are conducted in four public datasets to evaluate the robustness of the proposed approach. The results suggest that such a family of functions is suitable to increase the convergence rate when compared to standard functions employed by the research community. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | UFSCar Fed Univ Sao Carlos, Dept Comp, Sao Carlos, SP, Brazil | - |
Descrição: dc.description | UNESP Sao Paulo State Univ, Sch Sci, Bauru, SP, Brazil | - |
Descrição: dc.description | UNESP Sao Paulo State Univ, Sch Sci, Bauru, SP, Brazil | - |
Descrição: dc.description | CAPES: 001 | - |
Descrição: dc.description | FAPESP: 2013/07375-0 | - |
Descrição: dc.description | FAPESP: 2014/12236-1 | - |
Descrição: dc.description | FAPESP: 2016/06441-7 | - |
Descrição: dc.description | CNPq: 307066/2017-7 | - |
Formato: dc.format | 8 | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Ieee | - |
Relação: dc.relation | 2019 International Joint Conference On Neural Networks (ijcnn) | - |
???dc.source???: dc.source | Web of Science | - |
Palavras-chave: dc.subject | Restricted Boltzmann Machines | - |
Palavras-chave: dc.subject | Kaniadakis Entropy | - |
Palavras-chave: dc.subject | Machine Learning | - |
Título: dc.title | kappa-Entropy Based Restricted Boltzmann Machines | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: