文献

J-GLOBAL ID：201902221811412547   整理番号：19A0923036

解釈可能な転送学習のためのディープニューラルネットワークの構造【JST・京大機械翻訳】

The Structure of Deep Neural Network for Interpretable Transfer Learning

著者 (4件)： Kim Dowan (Dept. of Computer science and Engineering, Korea University, Seoul, South Korea) ,  Lim Woohyun (Dept. of Computer science and Engineering, Korea University, Seoul, South Korea) ,  Hong Minye (Dept. of Computer science and Engineering, Korea University, Seoul, South Korea) ,  Kim Hyeoncheol (Dept. of Computer science and Engineering, Korea University, Seoul, South Korea)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： BigComp  ページ： 1-4  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： 深いニューラルネットワークの訓練は大量の高品質データと時間を必要とする。しかしながら,実際のタスクのほとんどは,各複合モデルを訓練するための十分なラベル付けデータを持たない。この問題を解決するために,移動学習は新しいタスクに関する事前訓練モデルを再利用する。しかしながら,移動学習の1つの弱点は,既存のモデルの出力を理解することなく,事前に訓練されたモデルを新しいタスクに適用することである。これは,深いニューラルネットワークの訓練における解釈可能性の欠如を引き起こす可能性がある。本論文では,移動学習タスクにおける解釈可能性を改善する手法を提案する。解釈可能な特徴を定義し,モデルを新しいタスクに訓練するために使用する。したがって,伝達学習タスクにおけるソースとターゲットドメインの間の関係を説明することができる。特徴ネットワーク(FN)は,ソースドメインからターゲットドメインまで抽出された特徴を結合する特徴抽出層と単一マッピング層から成る。著者らは,韓国文字分類に対する定義された特徴を持つ事前訓練モデルを適用することにより,伝達学習の解釈可能性を調べた。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： 特徴抽出 ,  大韓民国 ,  *学習 ,  *ニューラルネットワーク ,  *ネットワーク ,  再利用
準シソーラス用語： 判断能力 ,  高品質 ,  *ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 転送 ,  学習 ,  ディープニューラルネットワーク