文献

J-GLOBAL ID：201802265397977947   整理番号：18A0518784

分散データの深い学習のための訓練サンプル選択【Powered by NICT】

Training sample selection for deep learning of distributed data

著者 (4件)： Jiang Zheng (Chief Technology and Architecture Office, Cisco Systems, San Jose, CA, USA) ,  Zhu Xiaoqing (Chief Technology and Architecture Office, Cisco Systems, San Jose, CA, USA) ,  Tan Wai-tian (Chief Technology and Architecture Office, Cisco Systems, San Jose, CA, USA) ,  Liston Rob (Chief Technology and Architecture Office, Cisco Systems, San Jose, CA, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICIP  ページ： 2189-2193  発行年： 2017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： 深層学習の成功-多層ニューラルネットワークの形で,体積と種々の訓練データに決定的に依存する。訓練データは,地理的に分散的に生じ,帯域幅の制約を受ける場合その可能性は大きく損なわれた。深い学習へのデータサンプリング手法を示し,それらの相対的重要性に基づいて局所的に利用可能な訓練試料を識別する注意深く。この目的のために,著者らはそれらの試験結果の正確さと信頼性の関数として候補訓練サンプルの優先順位付けのための二つの計量を提案した。帯幅拘束を受けたシミュレーションは従来均一サンプリングよりも提案した訓練サンプル選択方式の著しい性能利得を示した:MNISTデータセットに対して最大15×帯域幅の低減とCIFAR10データセットで25%低減学習時間。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 地理学 ,  *帯域幅 ,  信頼性 ,  利得
準シソーラス用語： 学習時間 ,  訓練データ ,  深層学習 , 【Automatic Indexing@JST】

分類 (5件)： ドキュメンテーション  (CA01030Q) ,  遺伝学研究法  (EC01020N) ,  符号理論  (ND02030R) ,  毒性学一般  (GZ01000K) ,  環境問題  (SA01020V)

タイトルに関連する用語 (3件)： 学習 ,  訓練 ,  サンプル