文献

J-GLOBAL ID：201802273595803688   整理番号：18A0408545

和積ネットワークの構造の学習【Powered by NICT】

On learning the structure of sum-product networks

著者 (3件)： Butz Cory J. (Department of Computer Science, University of Regina, Regina, Saskatchewan S4S0A2) ,  Oliveira Jhonatan S. (Department of Computer Science, University of Regina, Regina, Saskatchewan S4S0A2) ,  dos Santos Andre E. (Department of Computer Science, University of Regina, Regina, Saskatchewan S4S0A2)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SSCI  ページ： 1-8  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： LearnSPNはsum-productネットワーク(SPN)のための標準的な教師なし学習アルゴリズムである。分裂特徴(カラム)とクラスタ化の「スライス」手術(列)のための「肉」動作に基づいている。しかし,多数の技術がLearnSPNを同じデータセットからの多種多様なSPNを学習できることを意味を剪断スライスに適用することができる。本論文では,LearnSPNの経験的研究を行った。スライシングのためのチョッピングとk-平均とGauss混合モデルのためのg試験と相互情報量を考察した。,二十の実世界データセット上で行った,筆者らの実験は,スライシングのためのチョッピングとk-平均のための相互情報量を用いたとき最も深いSPN学ぶべき傾向があることを示唆した。,これは重要である,より深いモデルは浅いモデルよりも表現力の高いことが証明可能であるSPNは深い学習モデルである。第二に,著者らの結果は試験とGauss混合モデルの対が最も正確なSPNをもたらし,特に大きなデータセットにする傾向があることを示した。これらの結果は,相互情報量とk平均の特定の組み合わせは過剰適合する傾向があることを示唆した。最後に,著者らは,学習したSPNのスパース性を調べた。著者らの実験は,g試験とGauss混合モデルの対は,より少ないエッジを持つSPNを規則的にことを示した。この知識がエッジを持つネットワークを罰することをSPN学習アルゴリズムに有益であった。著者らの研究は,実際的及び理論的両者の方向におけるSPN深層学習文献を拡張した。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： 相互情報量 ,  剪断 ,  クラスタ化 ,  学習アルゴリズム ,  *ネットワーク ,  学習モデル ,  教師なし学習 ,  アルゴリズム
準シソーラス用語： 深層学習 ,  スパース性 ,  表現力 ,  Gauss混合モデル ,  スライシング , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 積 ,  学習