IB-AdCSCNet: 自适应卷积稀疏编码网络受信息瓶颈驱动
原文中文，约400字，阅读约需1分钟。发表于：。本研究介绍了一种基于信息瓶颈理论的深度学习模型 IB-AdCSCNet，通过在梯度下降中动态调整交换参数 λ，优化压缩激发损失函数，实现压缩和拟合的最佳平衡。该模型不仅提供了一种一致性表现的模型，还融合了稀疏表示理论与深度学习的前沿视角。实验结果表明，IB-AdCSCNet 在处理受损数据时不仅能与深度残差卷积网络相媲美，而且还能表现更佳，并通过 IB 交换的推断显著增强了模型的稳健性。
本文介绍了Drop-Bottleneck方法，用于离散删除与目标变量无关的特征，提供确定性压缩表示和学习特征提取器和选择器。在迷宫导航任务中，Drop-Bottleneck的探索方法表现出最先进的性能，对抗鲁棒性和降维方面优于VIB。
