文献

J-GLOBAL ID：201802246139677092   整理番号：18A1771883

複雑な進化再帰神経回路網(CERNNS)【JST・京大機械翻訳】

Complex Evolution Recurrent Neural Networks (ceRNNs)

著者 (3件)： Shafran Izhak (Google Inc) ,  Bagby Tom (Google Inc) ,  Skerry-Ryan R. J. (Google Inc)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ICASSP  ページ： 5854-5858  発行年： 2018年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ユニタリー進化再帰ニューラルネットワーク(uRNNs)は,(a)ユニタリー特性,(b)複素数値の性質,(c)それらの効率的線形演算子[1]の3つの魅力的性質を持っている。これまでの文献は,モデルのユニタリー特性であるかどうかを扱っていない。さらに,uRNNsは大規模タスクで評価されていない。これらの欠点を研究するために,著者らは,uRNNsと類似しているが,ユニタリー特性を選択的に低下させる複雑な進化再帰ニューラルネットワーク(ceRNNs)を提案した。簡単な多変量線形回帰タスクにおいて,制約の低下が学習軌道を改善することを示した。コピーメモリタスクにおいて,ceRNNsとuRNNsは同様に機能し,LSTMs上でのそれらの優れた性能は複素数値の性質とそれらの線形演算子に起因することを実証した。大規模実世界音声認識において,著者らは,uRNNのプレペンディングがベースラインLSTM音響モデルの性能を劣化させ,一方,CERNNの前処理は,0.8%絶対WERによりベースライン上の性能を改善することを見出した。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】

シソーラス用語： 音声認識 ,  記憶装置 ,  学習 ,  前処理 ,  ニューラルネットワーク ,  複素数 ,  線形性 ,  基準線 ,  *神経回路網
準シソーラス用語： 音響モデル ,  多変量線形回帰 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (2件)： 進化 ,  神経回路網