抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ミニバッチ確率的勾配降下法を用いた単一GPU上で適合する訓練畳込みネットワーク(CNN)は実際に有効になってきた。しかし,数GPUカードの記憶,あるいは並列CNN訓練のための適合しない大規模ネットワークを訓練するための有効な方法をしていない。本研究では,専門家モデルの単純なハード混合物は大規模ハッシュタグ(多標識)予測タスクに良い影響するように訓練できることを示した。エキスパートモデルの混合物は新しいものではない[7+3]が,過去に,研究者はデータフラグメンテーションを扱うために洗練された方法を考案することであった。各データ点は単一エキスパートに帰属される現代の弱教師つきデータセットは,単純な分割スキームを支援するのに十分大きいことを経験的に示した。専門家に依存しないので,並列に訓練が容易であり,モデルのサイズのための安価な評価。さらに,すべての専門家のための単一復号化層を用いる,統一された特徴埋め込み空間を可能にすることを示した。は標準CNNアーキテクチャを用いて訓練された実用化よりもはるかに大きいモデルを訓練することが可能である(および実際に比較的無痛),余分の容量は現在のデータセットに使用できることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】