文献

J-GLOBAL ID：201902234184011262   整理番号：19A2024687

新しいデータ分類と処理のためのスパース自動エンコーダと田口法を組み合わせた新しい一般化深層学習フレームワーク【JST・京大機械翻訳】

A New Generalized Deep Learning Framework Combining Sparse Autoencoder and Taguchi Method for Novel Data Classification and Processing

著者 (5件)： Karim Ahmad M. (Electrical and Electronics Engineering, Aksaray University, Aksaray 68100, Turkey) ,  Guezel Mehmet S. ( Computer Engineering Department, Ankara University, Ankara 06830, Turkey) ,  Tolun Mehmet R. ( Computer Engineering Department, Baskent University, Ankara 06790, Turkey) ,  Kaya Hilal ( Computer Engineering Department, AYBU, Ankara 06830, Turkey) ,  Celebi Fatih V. ( Computer Engineering Department, AYBU, Ankara 06830, Turkey)
資料名： Mathematical Problems in Engineering (Web)  (Mathematical Problems in Engineering (Web))
巻： 2018  ページ： Null  発行年： 2018年 
JST資料番号： U7803A  ISSN： 1024-123X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 深い自動エンコーダニューラルネットワークは,手書き認識,医用画像,顔認識を含むいくつかの画像分類と認識問題に広く使われている。深い自動エンコーダニューラルネットワークの全体的性能は,主に使用されるパラメータの数,ニューラルネットワークの構造,および伝達関数の互換性に依存する。しかし,不適切な構造設計は,深い自動エンコーダニューラルネットワークの性能の低減を引き起こすことができる。ネットワークの全体構造を修正することを考慮することなく,主にTaguchi法を深いオートエンコーダに基づくシステムに統合する新しいフレームワークを提示した。いくつかの実験は,異なる分野,すなわちネットワークセキュリティと医学からの様々なデータセットを用いて実行される。結果は,提案方法が,著者らの方法の大部分がより良く実行したので,文献におけるよく知られた方法のいくつかよりロバストであることを示した。したがって,結果は非常に有望であり,提案したフレームワークの全体的性能を検証した。Copyright 2018 Ahmad M. Karim et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ネットワーク ,  ニューラルネットワーク ,  伝達関数 ,  互換性 ,  医用画像 ,  *符号器 ,  ロバスト性 ,  構造設計 ,  手書き文字認識
準シソーラス用語： ネットワークセキュリティ ,  自己符号化器 ,  画像分類 ,  *深層学習 ,  *スパース ,  データ分類 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

引用文献 (60件)：

• B. Chandra, R. K. Sharma, "Deep learning with adaptive learning rate using laplacian score," Expert Systems with Applications, vol. 63, pp. 1-7, 2016.
• S. Ding, N. Zhang, X. Xu, L. Guo, J. Zhang, "Deep extreme learning machine and its application in EEG classification," Mathematical Problems in Engineering, vol. 2015, pp. 11, 2015.
• G. Urban et al., Do Deep Convolutional Nets Really Need to be Deep and Convolutional?, 2016.
• T. orde, "Grozdića.pdf,".
• K. G. Lore, A. Akintayo, S. Sarkar, "LLNet: A deep autoencoder approach to natural low-light image enhancement," Pattern Recognition, vol. 61, pp. 650-662, 2017.

タイトルに関連する用語 (5件)： データ分類 ,  エンコーダ ,  一般化 ,  深層学習 ,  フレームワーク