文献

J-GLOBAL ID：201802263274223771   整理番号：18A2092402

共有CNNを用いた高効率なマルチタスクニューラルネットワーク

著者 (4件)： 平賀由利亜 (奈良先端科学技術大学院大) ,  三谷剛正 (奈良先端科学技術大学院大) ,  中田尚 (奈良先端科学技術大学院大) ,  中島康彦 (奈良先端科学技術大学院大)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 118  号： 92(CPSY2018 1-12)(Web)  ページ： 93-98 (WEB ONLY)  発行年： 2018年06月07日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 実用的な深層学習アプリケーションとして,一つのIoTデバイスで取得したセンサーデータをネットワークを経由して複数のサーバーに転送し,それぞれ別のタスクの深層学習の推論処理を行うモデルを考える。画像のようなデータサイズの大きいセンサーデータを送る場合,転送先の数だけセンサーデータを送る必要があり,ネットワークの輻輳問題が発生するため,行うタスク数に限りが出る。本稿では深層学習アプリケーションにおけるネットワークの輻輳問題を軽減するため,マルチタスクにおける共有CNNを用いた分散深層学習モデルを提案し,提案するモデルにおけるRGB画像を入力とした場合の共有可能なタスクについて調査を行う。提案する分散深層学習モデルは,あらかじめ学習を行いパラメータを固定した単一のCNNと,共有CNNを用いてタスクごとに再学習を行った深層学習モデルから構成されている。エッジデバイス,または基地局で共有CNNによる推論処理を行い,元画像よりもデータサイズが減少した段階で残りの処理を行うサーバーに中間データを転送することで,アプリケーション全体のネットワークトラフィック量を削減する。(著者抄録)

シソーラス用語： *ニューラルネットワーク ,  *セルラニューラルネットワーク ,  *機械学習 ,  推論 ,  解析モデル ,  輻輳制御 ,  色空間 ,  色信号 ,  学習 ,  計算機網
準シソーラス用語： RGB画像 ,  エッジコンピューティング ,  ネットワーク輻輳 ,  *マルチタスク学習 ,  再学習 ,  深層学習 ,  分散モデル

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (21件)：

• J. Yosinski, J. Clune, Y. Bengio, and H. Lipson, “How transferable are features in deep neural networks?,” CoRR, vol.abs/1411.1792, pp.1-9, 2014. http://arxiv.org/abs/1411.1792
• R. Caruana, “Multitask learning,” Ph.D. Thesis, School of Computer Science, Carnegie Mellon University, 1997.
• M. Long and J. Wang, “Learning multiple tasks with deep relationship networks,” CoRR, vol.abs/1506.02117, pp.1-10, 2015. http://arxiv.org/abs/1506.02117
• Z. Zhang, P. Luo, C.C. Loy, and X. Tang, “Facial landmark detection by deep multi-task learning,” In ECCV. 94108, pp.1-15, 2014.
• X. Liu, J. Gao, X. He, L. Deng, K. Duh, and Y.-Y. Wang, “Representation learning using multi-task deep neural networks for semantic classification and information retrieval.,” HLT-NAACL, 912-921, 2015.

タイトルに関連する用語 (5件)： 共有 ,  CNN ,  高効率 ,  マルチタスク ,  ニューラルネットワーク