文献

J-GLOBAL ID：201902273784016320   整理番号：19A0639830

信頼スクリーニングによる深層森林の改善【JST・京大機械翻訳】

Improving Deep Forest by Confidence Screening

著者 (4件)： Pang Ming ,  Ting Kai-Ming ,  Zhao Peng ,  Zhou Zhi-Hua
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ICDM  ページ： 1194-1199  発行年： 2018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： 深い学習に関する多くの研究は,ニューラルネットワークモデルに基づいている。そこでは,多くの層のパラメータ化された非線形微分可能モジュールが逆伝搬によって訓練される。最近,深い学習は,深い森林と呼ばれる逆伝搬訓練なしで,非微分モジュールにより実現できることが示されている。開発した表現学習プロセスは,高いメモリ要求と高い時間コストが大きなモデルの訓練を阻害する決定木森林のカスケードに基づいている。本論文では,深い森林の効率を改善するための簡単ではあるが効果的な手法を提案した。鍵となるアイデアは,すべてのレベルを通過するよりもむしろ最終段階に直接的に高い信頼度でインスタンスを通過させることである。また,このモデルの複雑さを低から高に変化させる方法を提案する理論的解析を示した。これは,メモリ要求と時間コストをさらに低減するカスケードのレベルが高くなるにつれて,低から高に変化することを示唆している。著者らの実験は,提案した手法が,時間コストとメモリ要件を大幅に削減し,1桁まで大幅に競争力のある予測性能を達成することを示した。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： *スクリーニング ,  パラメタリゼーション ,  微分 ,  記憶装置 ,  ディシジョンツリー ,  信頼度 ,  *深層
準シソーラス用語： 予測性能 ,  モデルの複雑さ ,  学習過程 ,  神経回路網モデル , 【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 (4件)： 信頼 ,  スクリーニング ,  深層 ,  森林