Производительность Deep Belief Networks и Convolutional Neural Networks для задач, не относящихся к классификации изображений

Question

В статье Улучшенная классификация на основе Deep Belief Networks авторы утверждают, что для лучшей классификации генеративные модели используются для инициализации модели и ее характеристик перед обучением классификатора. Как правило, они необходимы для решения отдельных неконтролируемых и контролируемых задач обучения. Генеративные ограниченные машины Больцмана и сети глубокого убеждения широко используются в целях обучения без учителя.

Мой вопрос заключается в том, что, если бы мне предстояло выполнить задачу классификации по нескольким классам, не связанную с изображением, посредством обучения без учителя, было бы лучше использовать Deep Belief Networks или Convolutional Neural Networks, не учитывая тот факт, что набор данных также имеет значение?

Аналогичный вопрос, связанный с задачами классификации изображений, был задан здесь Deep Belief Networks против Convolutional Neural Networks . В ответе указывалось, что DBN, скорее всего, лучше справляются с задачами, не относящимися к классификации изображений, чем CNN, но есть ли какие-либо доказательства в отношении этого или какой-либо работы, в которой это рассматривается более глубоко?

Answer 1

Операции в сверточной нейронной сети специально настроены на обработку изображений. Например, свертка извлечения признаков с совместным использованием параметров выполняется в разных частях изображения, также CNN включают слои подвыборки, которые можно понимать как создание меньших версий (обработанного) входного изображения. Из-за этого я мог бы представить, что CNN имеют присущий им недостаток, если входные данные не являются изображением или достаточно похожи на изображение.