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。
これにおいて,次の論文において,非反復性である教師つきニューラル学習の完全に新しい方法を記述した。プロセスは以下の通りである。n次元である可能性があるすべてのデータ点は,最初に超平面によってあらゆる他の点から分離されるので,2つの点は少なくとも1つのハイパー平面によって分離されない。これは,多くの自由度の利用可能性のため,常に高次元空間で可能である。分離は新しく発見された非反復アルゴリズムにより行い,本論文で記述した。データ点がすべて平面によって分離されると,これらの平面は次にデータ点を分類するために使用される。十分な情報がどのクラスに属するかについて知られているならば,それらは同じクラスに属するそれらのポイントを再グループ化(またはクラスタ)することができる。互いに各点を分離する平面に対する方程式は,現在知られているので,これらの面のいくつかを用いて各クラスタを分離することができる(必要な場合は,いくつかの面を追加しなければならない)。そのため,各クラスタを互いに分離する一組の平面を持つ。本論文では,このクラスタリングを実行し,各クラスタを互いに分離する平面を発見するアルゴリズムのセットを記述し,これらのアルゴリズムは非反復的にタスクを再度実行する。各クラスタを分離する平面はニューラルアーキテクチャの基礎を形成できる。このようにして,この方法では,分類問題を解くためのニューラルアーキテクチャを得た。本論文では,全プロセスについて述べた。しかし,本論文では,点の分離に対してそれ自身を閉じ込めて,ハイパー平面によってn次元空間における任意の数の点を分離することができる分離アルゴリズムを記述した。N_f点の集合Gを与えて,n次元X空間において,このアルゴリズムは,2つの点が,いくつかの平面によって分離されないような平面を用いて,すべてのN_f点を分割した。そして,次の論文は,クラスタリング問題とニューラルアーキテクチャの決定を扱う。この完全に新しい分類法の効率と実行可能性を実証する事例問題を解いた。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】