深度信念网络与卷积神经网络在非图像分类任务上的表现
Deep Belief Networks vs Convolutional Neural Networks performance on non-Image Classification Tasks
在论文 Improved Classification based on Deep Belief Networks 中，作者指出，为了更好地 class 化，生成模型用于在训练 classifier 之前初始化模型和模型特征。通常需要它们来解决单独的无监督和监督学习问题。生成受限玻尔兹曼机和深度信念网络广泛用于无监督学习目的。
我的问题是，如果我要通过无监督学习执行非图像多class class化任务，使用深度信念网络或卷积神经网络会更好吗不考虑数据集也很重要的事实？
此处 Deep Belief Networks vs Convolutional Neural Networks 提出了与图像-class化任务相关的类似问题。答案是 DBN 对于非图像 class化任务的表现可能比 CNN 更好，但是是否有关于此的任何证据，或任何更深入探讨此问题的论文？
卷积神经网络中的操作专门针对图像处理进行了调整。例如，具有参数共享的特征提取卷积在图像的不同部分是 运行，CNN 还包括子采样层，这可以理解为生成（处理过的）输入图像的较小版本。正因为如此，我认为如果输入数据不是图像或不够像图像，CNN 就会有固有的劣势。
在论文 Improved Classification based on Deep Belief Networks 中，作者指出，为了更好地 class 化，生成模型用于在训练 classifier 之前初始化模型和模型特征。通常需要它们来解决单独的无监督和监督学习问题。生成受限玻尔兹曼机和深度信念网络广泛用于无监督学习目的。
我的问题是，如果我要通过无监督学习执行非图像多class class化任务，使用深度信念网络或卷积神经网络会更好吗不考虑数据集也很重要的事实？
此处 Deep Belief Networks vs Convolutional Neural Networks 提出了与图像-class化任务相关的类似问题。答案是 DBN 对于非图像 class化任务的表现可能比 CNN 更好，但是是否有关于此的任何证据，或任何更深入探讨此问题的论文？
卷积神经网络中的操作专门针对图像处理进行了调整。例如，具有参数共享的特征提取卷积在图像的不同部分是 运行，CNN 还包括子采样层，这可以理解为生成（处理过的）输入图像的较小版本。正因为如此，我认为如果输入数据不是图像或不够像图像，CNN 就会有固有的劣势。