文献

J-GLOBAL ID：201802230596120718   整理番号：18A1308369

極端学習機械の普遍的一貫性【JST・京大機械翻訳】

The universal consistency of extreme learning machine

著者 (2件)： Liu Xia (School of Sciences, Xi’an University of Technology, Xi’an 710048, China) ,  Xu Lin (Department of Electrical and Computer Engineering, New York University, Abu Dhabi 129188, UAE)
資料名： Neurocomputing  (Neurocomputing)
巻： 311  ページ： 176-182  発行年： 2018年 
JST資料番号： W0360A  ISSN： 0925-2312  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： 極値学習機械(ELM)は,入力重みと隠れ層バイアスがランダムに割り当てられているが,出力重みが調整を必要とする単一隠れ層フィードフォワードニューラルネットワーク(FNN)型学習システムとみなすことができる。回帰の枠組みにおいて,ELM学習の基本的問題は,ELM推定器が普遍的に一貫しているかどうかである。すなわち,任意の回帰関数を任意の精度に近似することができるかどうか,訓練サンプルの数が十分に大きいかどうかである。本論文の目的は2つである。一つはELM推定器の強い普遍的整合性を検証することであり,もう一つは活性化関数に対する十分で必要な条件を提示することである。ここで,対応するELM推定器は強く普遍的に一致する。得られた結果はELMの実現可能性の基礎となり,ELM学習における活性化関数の選択の理論的指針を提供する。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  ニューラルネットワーク ,  バイアス ,  *学習機械
準シソーラス用語： 活性化関数 ,  学習支援システム ,  フィードフォワードニューラルネットワーク ,  隠れ層 ,  *極度学習機械 , 【Automatic Indexing@JST】

著者キーワード (4件)： 極端学習機械 ,  ニューラルネットワーク ,  普遍的一貫性 ,  活性化機能

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (1件)： 極端学習機械