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。
現在,機械学習に用いられるニューラルネットワークは,過学習が起きないように,膨大なデータから分類に必要な情報を抽出する。しかし,分類に必要な情報を抽出する際に,分類に不必要な情報も抽出している。そこで,本稿では,分類に不必要な情報を削減しながら重要な情報を維持するアルゴリズムを構築することが可能かどうかを判断するために行った実験結果について報告する。本稿で検討するモデルはエンタングルメント・エントロピーに基づく畳み込みニューラルネットワーク(EECNN:Entanglement Entropic Convolutional Neural Network)でありこれは,機械学習分野への物理学的アプローチを用いる。まず,層への入力または層からの出力から得られた確率振幅を用いて,エンタングルメント・エントロピーを計算する。エンタングルメント・エントロピーは,確率振幅がランダムノイズでない場合,特異値分解後のいくつかの特異値を用いて再構成することで元の画像を十分に近似することができる。エントロピーの結果に基づいて特異値から元の確率振幅を復元することにより,情報を削減しながら重要な情報を維持する。(著者抄録)