文献

J-GLOBAL ID：201702213480506881   整理番号：17A1257133

Gauss分布を持つマトリックス変量RBMモデル【Powered by NICT】

Matrix variate RBM model with Gaussian distributions

著者 (6件)： Liu Simeng (Beijing Advanced Innovation Center for Future Internet Technology, Beijing Key Laboratory of Multimedia and Intelligent Software Technology, BJUT Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China) ,  Sun Yanfeng (Beijing Advanced Innovation Center for Future Internet Technology, Beijing Key Laboratory of Multimedia and Intelligent Software Technology, BJUT Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China) ,  Hu Yongli (Beijing Advanced Innovation Center for Future Internet Technology, Beijing Key Laboratory of Multimedia and Intelligent Software Technology, BJUT Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China) ,  Gao Junbin (Business Analytics Discipline. The University of Sydney Business School, Camperdown NSW 2006, Australia) ,  Ju Fujiao (Beijing Advanced Innovation Center for Future Internet Technology, Beijing Key Laboratory of Multimedia and Intelligent Software Technology, BJUT Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China) ,  Yin Baocai (Beijing Advanced Innovation Center for Future Internet Technology, Beijing Key Laboratory of Multimedia and Intelligent Software Technology, BJUT Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 808-815  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 制限付きBoltzmannマシン(RBM)は,Bernoulli分布の仮定に基づくランダムニューラルネットワークモデルモデリングベクトルデータの特別な型である。多次元非二値データに対して,従来のRBMを適用するためにベクトル情報を離散化する必要がある。ベクトルは,データの内部構造を破壊することがよく知られている,二成分ユニットはfickle実データによる適用性能を制限するであろう。これらの問題を解決するために,本論文では,エントリはGauss分布に従う行列データのための行列変量Gauss制限付きBoltzmannマシン(MVGRBM)モデルを提案した。他のいくつかのRBMアルゴリズムと比較して,MVGRBMは実値データをモデル化できる,画像分類における良好な性能を示した。添加Gaussパラメータは,入力データをモデル化できることを証明するために,Gaussパラメータ更新と固定の再構成性能を比較した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 内部構造 ,  高次元 ,  *正規分布 ,  再構成 ,  ベクトル ,  モデリング ,  Boltzmannマシン
準シソーラス用語： 入力データ ,  画像分類 ,  離散化 ,  Bernoulli分布 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (4件)： Gauss分布 ,  マトリックス ,  変量 ,  モデル