文献

J-GLOBAL ID：202002273945786502   整理番号：20A1529902

深層学習のための組合せ設計【JST・京大機械翻訳】

Combinatorial designs for deep learning

著者 (3件)： Chisaki Shoko (Department of Information Science, Tokyo University of Science, Noda City, Japan) ,  Fuji-Hara Ryoh (Faculty of Engineering, Information and Systems, University of Tsukuba, Tsukuba, Japan) ,  Miyamoto Nobuko (Department of Information Science, Tokyo University of Science, Noda City, Japan)
資料名： Journal of Combinatorial Designs  (Journal of Combinatorial Designs)
巻： 28  号： 9  ページ： 633-657  発行年： 2020年 
JST資料番号： W5097A  ISSN： 1063-8539  資料種別： 逐次刊行物 (A)
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： 深層学習は多層ニューラルネットワークを用いた機械学習法である。[数式:原文を参照]は互いに素なノード集合(層)である。多層ニューラルネットワークは,[数式:原文を参照]のための連続的2つのノードセット[数式:原文を参照]と[数式:原文を参照]に関する完全二分グラフ[数式:原文を参照]の結合とみなすことができる。二部グラフ関数のエッジは,マトリックスとして表される重みとして機能した。[数式:原文を参照]層の値は,重み行列の乗算と[数式:原文を参照]層の値によって基本的に計算される。質量訓練と教師データを使用して,重量パラメーターは少ししか推定されない。過剰適合(または過剰学習)は,”訓練データ”をモデル化するモデルにも言及する。次に,訓練セットではない新しいデータに一般化するのは難しい。過剰適合を避ける最も一般的な方法はドロップアウトと呼ばれる。ドロップアウトは訓練プロセス中の活性化のランダムサンプル(ノード)を除外する。ノードのランダムサンプリングは,ドロップアウトエッジのより不規則な周波数を引き起こす。実験計画の領域における類似のサンプリング概念がある。各層からノードを脱落するコンビナトリアル設計を提案した。この設計はエッジ周波数のバランスをとる。本論文では,そのような設計を解析し,構築する。Copyright 2020 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 実験計画法 ,  無作為抽出 ,  *機械学習 ,  互いに素 ,  教師データ ,  *深層学習 ,  ディープニューラルネットワーク
準シソーラス用語： 二部グラフ ,  訓練データ , 【Automatic Indexing@JST】

著者キーワード (4件)： 深層学習 ,  ドロップアウト ,  ドロップアウト設計 ,  分割ブロック設計

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 深層学習 ,  組合せ ,  設計