machine-learning - 深度置信网络与卷积神经网络在非图像分类任务上的性能比较

Question

论文中Improved Classification based on Deep Belief Networks ，作者指出，为了更好的分类，在训练分类器之前使用生成模型来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类分类任务，在不考虑数据集也很重要的情况下使用深度置信网络或卷积神经网络会更好吗？

此处提出了与图像分类任务相关的类似问题Deep Belief Networks vs Convolutional Neural Networks 。答案指出，DBN 在非图像分类任务中可能比 CNN 表现更好，但是是否有任何关于这一点的证据，或者有任何论文对此进行了更深入的探讨？

Answer 1

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上运行，CNN 还包括子采样层，可以将其理解为生成(处理后的)输入图像的较小版本。因此，我认为如果输入数据不是图像或不够像图像，CNN 就有一个固有的缺点。