文献

J-GLOBAL ID：202002266441547651   整理番号：20A0436673

MUSE-RNN データストリーム分類のための多層自己進化リカレントニューラルネットワーク【JST・京大機械翻訳】

MUSE-RNN: A Multilayer Self-Evolving Recurrent Neural Network for Data Stream Classification

著者 (4件)： Das Monidipa (Nanyang Technological University) ,  Pratama Mahardhika (Nanyang Technological University) ,  Savitri Septiviana (Nanyang Technological University) ,  Zhang Jie (Nanyang Technological University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ICDM  ページ： 110-119  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： 本論文では,ストリーミングデータの実時間分類のための多層自己進化再帰ニューラルネットワークモデルMUSE-RNNを提案した。既存のアプローチと異なり,MUSE-RNNは,教師の強制政策に基づく新しい再帰学習アプローチを通して,データストリームの時間的側面を捉えるための特別な処理を提供する。ここでの新規性は2倍である。最初に,従来のRNNモデルと対照的に,MUSE-RNNは,データストリームの変化する特性を扱うために,階層と同様に隠れたノードを成長させて,剪定することによってその容量を自己調整するための固有の能力を有した。第二に,MUSERNNはユニークなスコアリングベースの層適応機構を採用して,それはネットワークパラメータの最小の開発によって,それを事前の作業を思い出すことを可能にした。MUSERNNの性能を,7つの一般的なデータストリームを用いて,いくつかの最先端技術と比較して評価し,また,事前のテスト-トレインプロトコルの下で継続的な学習問題を用いた。実験結果は,ストリーム分類シナリオにおけるMUSERNNの有効性を実証した。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： 有効性 ,  *学習 ,  多層
準シソーラス用語： 実時間 ,  リカレントニューラルネットワーク ,  *データストリーム ,  MUSE , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (8件)： MUSE ,  RNN ,  データストリーム ,  分類 ,  多層 ,  自己 ,  進化 ,  リカレントニューラルネットワーク