文献

J-GLOBAL ID：201902286218126910   整理番号：19A2706137

ニューロン生成-消滅と層生成を用いた深層信念ネットワークの適応構造学習法【JST・京大機械翻訳】

Adaptive structure learning method of deep belief network using neuron generation-annihilation and layer generation

著者 (4件)： Kamada Shin (Graduate School of Information Sciences, Hiroshima City University, Hiroshima, Japan) ,  Ichimura Takumi (Faculty of Management and Information Systems, Prefectural University of Hiroshima, Hiroshima, Japan) ,  Hara Akira (Graduate School of Information Sciences, Hiroshima City University, Hiroshima, Japan) ,  Mackin Kenneth J. (Department of Information Systems, Tokyo University of Information Sciences, Chiba, Japan)
資料名： Neural Computing & Applications  (Neural Computing & Applications)
巻： 31  号： 11  ページ： 8035-8049  発行年： 2019年 
JST資料番号： W0703A  ISSN： 0941-0643  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 最近,人工知能の分野において深い学習が注目されている。深い信念ネットワーク(DBN)は,事前に訓練された制限されたBoltzmannマシン(RBMs)を用いて,階層的に入力パターンの複数の特徴を表現できる深いネットワークアーキテクチャを持っている。このような深いネットワークアーキテクチャは,以前の方法と比較して多くのタスクにおいて非常に高い分類精度を可能にする。しかし,効果的な深いネットワークアーキテクチャを設計するための様々なパラメータを決定することは,従来のRBMとDBNが訓練中のネットワーク構造を変えることができないので,経験のある設計者にとってさえ困難なタスクである。適応構造学習法は,多層ニューラルネットワークにおける隠れニューロンの最適数を見出すために以前に提案されている。この方法は,重み減衰の分散を観察することによってニューロン一般化消滅アルゴリズムを採用した。いくつかのパラメータの分散を観測することにより,ニューロン生成消滅と層生成アルゴリズムを用いてRBMとDBNの適応構造学習法を開発した。提案したモデルの有効性をベンチマークデータセットCIFAR-10とCIFAR-100に関する10倍交差検証により検証した。適応DBNは,いくつかの最新のDBNおよびCNNベースの方法の中で,最も高い分類精度(CIFAR-10に対して97.4%,CIFAR-100に対して81.2%)を達成した。Copyright 2018 The Natural Computing Applications Forum Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： Boltzmannマシン ,  有効性 ,  *ニューロン ,  人工知能 ,  ネットワークアーキテクチャ ,  アルゴリズム ,  *深層 ,  ネットワーク構造 ,  ディープニューラルネットワーク
準シソーラス用語： 分類精度 ,  *構造学習 ,  *信念ネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： 深層学習 ,  制限されたBoltzmannマシン ,  深い信念ネットワーク ,  適応構造学習 ,  ニューロン生成-消滅 ,  層生成

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： ニューロン ,  層 ,  深層 ,  信念ネットワーク ,  適応