文献

J-GLOBAL ID：202002250557425375   整理番号：20A2234579

DANTE ニューラルネットワークを訓練するための深い交代

DANTE: Deep alternations for training neural networks

著者 (5件)： Sinha Vaibhav B. (Department of Computer Science and Engineering, Indian Institute of Technology Hyderabad, India) ,  Kudugunta Sneha (Department of Computer Science and Engineering, Indian Institute of Technology Hyderabad, India) ,  Sankar Adepu Ravi (Department of Computer Science and Engineering, Indian Institute of Technology Hyderabad, India) ,  Chavali Surya Teja (Department of Computer Science and Engineering, Indian Institute of Technology Hyderabad, India) ,  Balasubramanian Vineeth N. (Department of Computer Science and Engineering, Indian Institute of Technology Hyderabad, India)
資料名： Neural Networks  (Neural Networks)
巻： 131  ページ： 127-143  発行年： 2020年11月 
JST資料番号： T0698A  ISSN： 0893-6080  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： 交互最小化原理を用いてニューラルネットワークを訓練する新しい方法であるDANTEを提案した。DANTEでは深層ネットワークを訓練するために一般的に使用される,従来の勾配ベースの逆伝搬手法に対する代替視点を提供した。それはニューラルネットワークを訓練することを2つの準凸最適化問題としてキャストするために,準凸性の適応を利用した。微分可能(例えば,シグモイド)と非微分可能(例えば,ReLU)活性化関数の両方を用いたニューラルネットワーク構成に対して,この定式化では効果的に交代することを実行できることを示した。DANTEは複数の隠れ層を持つネットワークにも拡張できる。標準データセットに関する実験では,提案した方法を用いて訓練されたニューラルネットワークは訓練速度だけでなく,解の品質に関しても有望であり,従来の逆伝搬手法に負けないことがわかった。Copyright 2021 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.

シソーラス用語： *ニューラルネットワーク ,  *機械学習 ,  評価試験 ,  *最小化問題 ,  深層構造 ,  活性化 ,  関数 ,  凸形 ,  逆伝搬法
準シソーラス用語： *深層学習 ,  準凸性 ,  活性化関数

著者キーワード (4件)： ニューラルネット ,  深層学習 ,  バックプロパゲーション ,  機械学習

分類 (3件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z) ,  その他のオペレーションズリサーチの手法  (KA03070E)

タイトルに関連する用語 (3件)： ニューラルネットワーク ,  訓練 ,  交代