Key points are not available for this paper at this time.
كان نمذجة الموضوعات استنادًا إلى توزيع ديريشليت الكامن (LDA) إطارًا مثاليًا للتعامل مع البيانات متعددة الأبعاد، كما هو الحال في مهام توضيح الصور. نهج آخر شائع لنمذجة البيانات متعددة الأبعاد هو من خلال الشبكات العصبية العميقة، مثل آلة بولتزمان العميقة (DBM). مؤخرًا، تم اقتراح نوع جديد من نماذج الموضوعات يسمى مقدّر توزيع مستند عصبوني تلقائي (DocNADE) وأظهر أداءً رائدًا في نمذجة مستندات النص. في هذا العمل، نظهر كيفية تطبيق هذا النموذج بنجاح وتوسيعه ليشمل البيانات متعددة الأبعاد، مثل تصنيف الصور والتعليق عليها بشكل متزامن. أولاً، نقترح SupDocNADE، وهو توسيع خاضع للإشراف لـ DocNADE، يزيد من القدرة التمييزية لميزات الموضوع المخفية المكتسبة ونعرض كيفية استخدامه لتعلم تمثيل مشترك من كلمات الصور البصرية، وكلمات التعليق، ومعلومات تصنيف الفئات. نحن نختبر نموذجنا على مجموعات بيانات LabelMe وUIUC-Sports ونظهر أنه يقارن بشكل إيجابي مع نماذج الموضوعات الأخرى. ثانيًا، نقترح توسيعًا عميقًا لنموذجنا ونقدم طريقة فعالة لتدريب النموذج العميق. تظهر النتائج التجريبية أن نموذجنا العميق يتفوق على نسخته السطحية ويصل إلى أداء رائد في مجموعة بيانات استرجاع المعلومات متعددة الوسائط (MIR) على فليكر.
دراسة زينغ وآخرون (الجمعة) هذا السؤال.
Synapse has enriched 2 closely related papers on similar clinical questions. Consider them for comparative context: