抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
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】