文献

J-GLOBAL ID：201802237898102151   整理番号：18A1650816

1層フィードフォワード神経回路網のための逐次非反復学習法【JST・京大機械翻訳】

An incremental non-iterative learning method for one-layer feedforward neural networks

著者 (3件)： Fontenla-Romero Oscar (Department of Computer Science, Faculty of Informatics, University of A Coruna, Campus de Elvina s/n, 15071, A Coruna, Spain) ,  Perez-Sanchez Beatriz (Department of Computer Science, Faculty of Informatics, University of A Coruna, Campus de Elvina s/n, 15071, A Coruna, Spain) ,  Guijarro-Berdinas Bertha (Department of Computer Science, Faculty of Informatics, University of A Coruna, Campus de Elvina s/n, 15071, A Coruna, Spain)
資料名： Applied Soft Computing  (Applied Soft Computing)
巻： 70  ページ： 951-958  発行年： 2018年 
JST資料番号： W2175A  ISSN： 1568-4946  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： 機械学習文献において,特に人工ニューラルネットワークを参照する文献において,ほとんどの方法は反復的であり,バッチモードで操作される。しかし,多くの標準アルゴリズムは,新しい実世界アプリケーションから得られた新しい大規模データ集合を効率的に管理するのに適していない。これらの課題に対処するための新しい提案は,主に増分または分散学習アルゴリズムに基づく反復アプローチである。しかしながら,最先端技術は,非反復アプローチに基づく学習法がほとんどなく,これらの新しい挑戦により,より効率的に扱うことにおいて,反復モデルよりも利点がある。隠れ層を持たない一層フィードフォワード神経回路網のための非反復,増分および超パラメータフリー学習法を開発した。この方法は,データが変数よりも多くのサンプルを含むか,または逆のものにかかわらず,ネットワークの最適パラメータを効率的に得る。これは,出力活性化関数の前に誤差を測定し,各データ点におけるこれらの関数の勾配によりそれらをスケールする二乗損失関数を用いることによりこれを行う。結果は,ネットワークの重みを得る線形方程式のシステムであり,さらに特異値分解を用いて変換される。アルゴリズムの挙動を解析し,その性能とスケーリング特性を他の最先端手法と比較した。実験結果は,提案した方法が広範囲の分類問題を適切に解決し,大規模タスクを効率的に処理できることを実証した。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： アルゴリズム ,  学習アルゴリズム ,  機械学習 ,  ネットワーク ,  *フィードフォワード ,  *学習 ,  *神経回路網 ,  ニューラルネットワーク ,  応用プログラム ,  *単一層
準シソーラス用語： 最先端 ,  活性化関数 ,  最適パラメータ ,  隠れ層 ,  *反復学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： ニューラルネットワーク ,  特異値分解 ,  増分学習 ,  非反復学習

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 1層 ,  フィードフォワード ,  神経回路網 ,  逐次 ,  反復学習