文献

J-GLOBAL ID：201902215214640483   整理番号：19A2402200

FERNN ストリーミングデータ分類のための高速で進化するリカレントニューラルネットワークモデル【JST・京大機械翻訳】

FERNN: A Fast and Evolving Recurrent Neural Network Model for Streaming Data Classification

著者 (4件)： Das Monidipa (School of CSE, NTU, Singapore) ,  Pratama Mahardhika (School of CSE, NTU, Singapore) ,  Ashfahani Andri (School of CSE, NTU, Singapore) ,  Samanta Subhrajit (ERI@NTU NTU, Singapore)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： IJCNN  ページ： 1-8  発行年： 2019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： 運動におけるデータナビゲーションの最近の爆発により,ストリーミングデータを分析するための研究関心が高まっており,その結果,データストリーム分析に関するいくつかの最近の研究がある。しかしながら,ストリーミングデータ分類の文脈における従来の再帰ニューラルネットワーク(RNN)の可能性を調査することは,まだほとんど研究されていない領域である。本論文では,自己進化特性とともに単一パス学習能力を特徴とする,FERNNと呼ばれるRNNの新しい変種を提案した。オンライン学習能力は,FERNNをストリーミングデータの作業に適合させるが,自己組織化特性はモデルを急速に変化する環境に適応させる。FERNNは隠れ層における超平面活性化を利用し,それはネットワークパラメータを大幅に減少させるだけでなく,教師の強制メカニズムによってもモデルを起動させ,逆伝搬-時間政策に基づく伝統的なRNN学習における消失/爆発勾配問題を自動的に処理する。さらに,既存の自律学習モデルの大部分とは異なり,FERNNはストリーミングデータに対する正規分布仮定から自由であり,それをより柔軟にする。FERNNの有効性を,6つの公開可能なデータストリームを分類することに関して評価した。実験結果は,FERNNの有望な性能を示し,計算コストを大幅に削減することにより,最先端の分類精度を達成した。Copyright 2019 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： 自己組織化 ,  *ニューラルネットワーク ,  有効性 ,  *モデル ,  正規分布 ,  学習 ,  *高速度
準シソーラス用語： 分類精度 ,  計算コスト ,  超平面 ,  隠れ層 ,  オンライン学習 ,  データストリーム ,  *リカレントニューラルネットワーク ,  *ストリーミングデータ , 【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 (3件)： ストリーミングデータ ,  分類 ,  進化