ディープニューラルネットワークによって取得した圧縮データからのXCSR学習

MATSUMOTO Kazuma; TATSUMI Takato; SATO Hiroyuki; KOVACS Tim; TAKADAMA Keiki

文献

J-GLOBAL ID：201702255230665575 整理番号：17A1207212

ディープニューラルネットワークによって取得した圧縮データからのXCSR学習

XCSR Learning from Compressed Data Acquired by Deep Neural Network

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=17A1207212&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=17A1207212&from=J-GLOBAL&jstjournalNo=F1398A") }}

著者 (5件)： , , , ,
資料名：
巻： 21 号： 5 ページ： 856-867 発行年： 2017年09月20日
JST資料番号： F1398A ISSN： 1343-0130 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：日本 (JPN) 言語：英語 (EN)

ニューラルネットワークの機械学習である深層学習によってニューラルネットワークの分類の正解率は改善され,幾つかの分野においては人間の脳と比較してその精度はより高い。本論文ではニューラルネットワーク及び学習分類器システム(LCS)のハイブリッドシステムを提案した。LCSは強化学習を用いた進化的ルールベース機械学習である。分類の正解率を向上させるために,筆者らはニューラルネットワーク及びLCSを組み合わせた。本論文では提案システムを検証するためにベンチマーク実験を実施した。その実験は以下を明らかにした。(1)提案システムの分類の正解率は従来のLCS(XCSR)及び通常のニューラルネットワークと比較してより高い。(2)XCSRの被覆メカニズムは提案システムの正解率を上げる。(翻訳著者抄録)

, , , , , , ,
, , , , ,

人工知能

引用文献 (15件)：

G. E. Hinton, S. Osindero, and Y.-W. Teh, “A fast learning algorithm for deep belief nets,” Neural computation, Vol.18, No.7, pp. 5271-1554, 2006.
H. John, “Holland. Escaping brittleness: The possibilities of general-purpose learning algorithms applied to parallel rule-based systems,” Machine learning, an artificial intelligence approach, Vol.2, pp. 593-623, 1986.
S. W. Wilson, “Get real! XCS with continuous-valued inputs,” Learning Classifier Systems, pp. 209-219, Springer, 2000.
K. O. Stanley and R. Miikkulainen, “Evolving neural networks through augmenting topologies,” Evolutionary computation, Vol.10, No.2, pp. 99-127, 2002.
V. Mnih, K. Kavukcuoglu, D. Silver, A. A. Rusu, J. Veness, M. G. Bellemare, A. Graves, M. Riedmiller, A. K. Fidjeland, G. Ostrovski, et al., “Human-level control through deep reinforcement learning,” Nature, Vol.518, No.7540, pp. 529-533, 2015.

, ,

前のページに戻る