可解释化、结构化、多模态化的深度神经网络

作     者：熊红凯 高星 李劭辉 徐宇辉 王涌壮 余豪阳 刘昕 张云飞 XIONG Hongkai;GAO Xing;LI Shaohui;XU Yuhui;WANG Yongzhuang;YU Haoyang;LIU Xin;ZHANG Yunfei

作者机构：上海交通大学电子工程系上海200240 深圳市腾讯计算机系统有限公司深圳518000 宇龙计算机通信科技有限公司深圳518035 

出 版 物：《模式识别与人工智能》 (Pattern Recognition and Artificial Intelligence)

年 卷 期：2018年第31卷第1期

页      面：1-11页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主　　题：深度学习 滤波器组 小波理论 结构化学习 多模态学习 

摘      要：深度学习方法依赖于大规模的标签数据,通过端到端的监督训练,在计算机视觉、自然语言处理领域都取得优异性能.但是,现有方法通常针对单一模态数据,忽视数据的内在结构,缺乏理论支撑.针对上述问题,文中从基于小波核学习的深度滤波器组网络设计、基于结构化学习的深度学习、基于多模态学习的深度学习3个角度阐述结合深度学习方法与小波理论、结构化预测的潜在方法,以及其拓展到多模态数据的可行机制.