文献

J-GLOBAL ID：202002246865953333   整理番号：20A0814186

ニューラルネットワークのための大きさと不確実性の剪定定基準【JST・京大機械翻訳】

Magnitude and Uncertainty Pruning Criterion for Neural Networks

著者 (3件)： Ko Vinnie (University of Oslo) ,  Oehmcke Stefan (University of Copenhagen) ,  Gieseke Fabian (University of Copenhagen)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： Big Data  ページ： 2317-2326  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： ニューラルネットワークは,近年,劇的な改善を達成し,今日,多くの実世界タスクに対する最先端の方法を示している。しかしながら,一つの欠点は,これらのモデルの多くが過剰パラメータ化されており,それらが計算的およびメモリ集約的になることである。さらに,過剰パラメタリゼーションは望ましくない過剰適合副作用に導くこともできる。最近提案された,統計学の分野からの,最近提案された方法に基づく剪定方式とWald試験により,このような欠点を少なくする助けとなる新しい大きさと不確実性(M&U)剪定基準を導入した。筆者らのM&U剪定基準の一つの重要な利点は,スケール不変であることであり,このことは,magnituベースの剪定基準が苦しむという現象である。さらに,訓練中の更新情報を用いて重みの不確実性を効率的に推定できる「擬似ブートストラップ」方式を提案した。著者らの実験評価は,様々なニューラルネットワークアーキテクチャとデータセットに基づいて,著者らの新しい判定基準が,単に,予測力におけるより少ない損失によって,単に,単に,より圧縮されたモデルに導くことを示した。Copyright 2020 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： ブートストラップ ,  パラメタリゼーション ,  *不確実性 ,  副作用 ,  記憶装置 ,  *ニューラルネットワーク ,  判定基準
準シソーラス用語： ニューラルネットワークアーキテクチャ ,  実験評価 , 【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 (3件)： ニューラルネットワーク ,  不確実性 ,  剪定