文献

J-GLOBAL ID：201702248161266065   整理番号：17A0889838

高次元多目的記号回帰問題を解くための長期人工ニューラルネットワークメモリ(LTANN MEM)と神経記号化アルゴリズム(NSA)を用いた転移学習【Powered by NICT】

Transfer learning with long term artificial neural network memory (LTANN-MEM) and neural symbolization algorithm (NSA) for solving high dimensional multi-objective symbolic regression problems

著者 (4件)： Deklel Amr K. (Faculty of Engineering, Helwan University, Greater Cairo, Egypt) ,  Saleh Mohamed A. (Faculty of Engineering, Helwan University, Greater Cairo, Egypt) ,  Hamdy Alaa M. (Faculty of Engineering, Helwan University, Greater Cairo, Egypt) ,  Saad Elsayed M. (Faculty of Engineering, Helwan University, Greater Cairo, Egypt)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： NRSC  ページ： 343-352  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： 長期人工ニューラルネットワークメモリ(LTANN MEM)とニューラル記号化アルゴリズム(NSA)により,記号的回帰問題を解くための提案した。この手法はサイズ611及び20のBoole復号器問題を解くことができるが,復号器,37のような高次元の復号器問題を解くことはできない復号器nは入力の和と復号器であり,出力は4入力/16出力の復号器例復号器のNである。LTANN MEMとNSA手法は一種の転移学習のが,サブタスク移動と更新可能LTANN MEMの欠如であることを示した。サブタスク移動とLTANN MEM更新を付加するためのアプローチをここで議論し,サイズ3770及び135の復号器問題を効率的に解くにより検討した。二学習クラシファイアシステムとの比較を行い,本研究で提案したアプローチは,それらの双方の性能を上回ることが分かった。は,提案した方法が効率的に復号器264,を解くためにも利用されていることを示した。著者らの知識の及ぶ限りでは,この高次元問題を解くための報告された方法は存在しない。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： 分級機 ,  *符号化 ,  復号器 ,  *高次元 ,  *アルゴリズム ,  *ニューラルネットワーク ,  *学習 ,  *記憶装置
準シソーラス用語： *転移学習 ,  神経 , 【Automatic Indexing@JST】

分類 (2件)： 符号理論  (ND02030R) ,  信号理論  (ND02020G)

タイトルに関連する用語 (9件)： 高次元 ,  多目的 ,  記号 ,  長期 ,  人工ニューラルネットワーク ,  神経 ,  記号化 ,  アルゴリズム ,  転移学習