文献

J-GLOBAL ID：201802226691680153   整理番号：18A0644239

強化学習を用いた多焦点集束モデルの訓練【JST・京大機械翻訳】

Using Reinforce Learning to Train Multi-attention Model

著者 (2件)： Liu Chang (国家数字交換系統工程技術研究中心 鄭州 450002) ,  Liu Qinrang (国家数字交換系統工程技術研究中心 鄭州 450002)
資料名： Zidonghua Xuebao  (Zidonghua Xuebao)
巻： 43  号： 9  ページ： 1563-1570  発行年： 2017年 
JST資料番号： C2134A  ISSN： 0254-4156  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 集束モデル(Attention model、AM)は計算資源を入力データの特定領域に集中させ、畳込み神経回路網と比べ、AMはパラメーターが少なく、計算量が独立に入力され、高ノイズの下で正確率が高いなどの利点がある。入力画像と認識目標に対して,焦点領域は通常小さい。集束領域が小さすぎると,過剰な反復回数をもたらし,効率を低下させ,同じ入力において複数の目標を見つけることが困難になる。そのため、本論文では、多焦点焦点モデルを提案し、同時に複数の焦点に対して並列焦点を合わせる。強化学習(Reinforce learning,RL)を用いて訓練を行い、すべての焦点の行為を統一採点により訓練した。単一焦点焦点モデルと比較して,訓練速度と認識速度は25%増加した。一方,本モデルは高い汎用性を有した。Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 雑音 ,  神経回路網 ,  汎用性 ,  *強化学習 ,  計算量 ,  *集束 ,  畳込み
準シソーラス用語： 計算資源 , 【Automatic Indexing@JST】

著者キーワード (4件)： Deep learning ,  attention model (AM) ,  reinforce learning (RL) ,  multi-attention

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 強化学習 ,  焦点 ,  集束 ,  モデル ,  訓練