文献

J-GLOBAL ID：201702225959646338   整理番号：17A1257558

政策勾配を持つ神経回路網の訓練【Powered by NICT】

Training neural networks with policy gradient

著者 (2件)： Bose Sourabh (Computer Science and Engineering, University of Texas at Arlington, Arlington, TX USA) ,  Huber Manfred (Computer Science and Engineering, University of Texas at Arlington, Arlington, TX USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCNN  ページ： 3998-4005  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： ニューラルネットワークは,任意の精度で任意の関数をモデル化する能力を持つ強力な関数近似ツールである。ブラックボックスとして任意の関数には,ターゲットと入力データを与えられた関数を再構成することができた。しかし,ターゲットが少なくとも部分的に未知の問題である。このような例では,系の勾配を計算するための伝統的なニューラルネットワークのための不可能である。この問題は横方向阻害が要求されるスパースオートエンコーダシステムで明白であった。横方向阻害は,通常は隠れ層のすぐ近くのノード間の余分な横方向接合部を有する課した。しかし,計算的に高価であり,実世界問題へのスケーラブルでない非常に複雑な構造をもたらした。はこのような複雑さ限界なしに構造的制約を達成する必要がある。類似状況は既知標的なしマルチラベル分類問題の場合に生じる。そのような場合,ネットワークにアクセス可能であるのみ評価,試料は正しく分類されたか否かを述べた。この問題では,問題を解くためにこの部分的情報の勾配を導出する必要がある。提案したモデルは,ポリシー勾配アルゴリズムを用いて,このような問題を解決する。このアプローチは報酬系からの必要な勾配を導出することによりニューラルネットワークシステムの任意の非微分可能制約を課すことを可能にした。全隠れ層上への横方向阻害とスパース性の新しい型を提案した。提案したモデルは非常に窮屈になるので,スパース表現を達成することができるだけでなく,それはまた,スパース性の従来型よりも同じかあるいはより良い結果を達成した。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： 再構成 ,  関数近似 ,  *神経回路網 ,  ネットワーク ,  ブラックボックス ,  微分 ,  接合部 ,  ニューラルネットワーク ,  モデリング
準シソーラス用語： スパース表現 ,  スパース性 ,  勾配アルゴリズム ,  マルチラベル分類 ,  隠れ層 ,  入力データ , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 政策 ,  勾配 ,  神経回路網 ,  訓練