文献

J-GLOBAL ID：201802280005964960   整理番号：18A0194865

大量データのためのニューラルネットワークを用いた高次元関数近似【Powered by NICT】

High-Dimensional Function Approximation With Neural Networks for Large Volumes of Data

著者 (1件)： Andras Peter (School of Computing and Mathematics, Keele University, Keele, U.K.)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 29  号： 2  ページ： 500-508  発行年： 2018年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
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： 高次元関数の近似は,次元の呪いによるニューラルネットワークのための課題である。しばしばの近似関数で定義されたデータは,低次元多様体に存在し,原理的には,この多様体上の関数の近似は,近似性能を改善するであろう。低次元空間,続いてこの空間上での関数のニューラルネットワーク近似により,データ多様体を元のデータ空間におけるニューラルネットワークによる関数の近似よりも機能のより正確な近似を提供することを示した。しかし,データ量が非常に大きい場合,低次元空間への投影は,データの限られた試料に基づいている。ここでは,射影空間上で訓練されたニューラルネットワークの近似誤差の性質を調べた。投影は,データ多様体の比較的少ないサンプルに基づいている場合でもそのようなニューラルネットワークは高次元データ上で訓練されたニューラルネットワークよりもより優れた近似性能を有することを示した。はまた,低次元投影の発生を目的とするデータの一様分布型スパース試料を用いることが望ましいことが分かった。はこれらの結果の実世界データを含む高次元データ上で定義された関数の集合の実用ニューラルネットワーク近似を考慮することを示した。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： 類似性 ,  多様体 ,  透視図法 ,  *ニューラルネットワーク ,  *近似法 ,  *高次元 ,  *関数近似
準シソーラス用語： 一様分布 ,  高次元データ ,  射影空間 ,  データ量 ,  低次元 ,  近似関数 ,  次元の呪い , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： ニューラルネットワーク ,  高次元 ,  関数近似