文献

J-GLOBAL ID：201702270456382338   整理番号：17A0473829

Sum-Productネットワークを学習するための構造的知識伝達【Powered by NICT】

Structural knowledge transfer for learning Sum-Product Networks

著者 (2件)： Zhao Jianjun (School of Computer Science and Engineering, Nanyang Technological University, Nanyang Avenue, 639798, Singapore) ,  Ho Shen-Shyang (Department of Computer Science, Rowan University, Glassboro, NJ, 08028, USA)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 122  ページ： 159-166  発行年： 2017年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 確率的推論のための有効なSum-Productネットワーク(SPN)を学習するためには,かなりの量のデータを必要とする。訓練データセットが小さい場合,SPN性能を分解することができた。本論文では,移動学習は,訓練例の数が限られている場合にSPNを改善できるかを調べた。特に,(i)1つは源データセットが源SPNを持たず,(ii)源SPNとターゲットドメイン間の類似性のある種である構造移動設定を考察した。TopTrSPNと呼ばれる移動学習アプローチを提案し,標的SPNの第一層を学習する源SPNにおける第一層クラスタの情報を利用した。SPNは,確率的,汎用畳込みネットワークと見なすことができるのでこの手法は畳込みニューラルネットワーク(CNN)の移動学習特性によって動機づけられている。源SPNは,ターゲット領域からいくつかの分布差を有する可能性があることから,一貫性のない変数をフィルタリングして二間のマッチングを行った。二十のベンチマークデータセット上での実験結果により,目標領域を学習するSPN構造のための提案した移動学習アプローチの実現可能性を示した。さらに,変数の種々のセットを用いたテキストデータセットに適用した場合,著者らの提案の移動学習アプローチは有望な性能を示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 類似性 ,  ニューラルネットワーク ,  単一層 ,  フィルタリング ,  クラスタ ,  *学習 ,  畳込み ,  *ネットワーク
準シソーラス用語： 訓練データ ,  確率的推論 , 【Automatic Indexing@JST】

著者キーワード (2件)： Sum-Productネットワーク ,  転移学習

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： 学習 ,  知識