遅延差分ニューラルネットワーク【JST・京大機械翻訳】

Anumasa Srinivas; P.K. Srijith

文献

J-GLOBAL ID：202102228619743516 整理番号：21A2672842

遅延差分ニューラルネットワーク【JST・京大機械翻訳】

Delay Differential Neural Networks

出版者サイト複写サービスで全文入手
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=21A2672842&from=J-GLOBAL&jstjournalNo=D0698C") }}

著者 (2件)： ,
資料名：
号： ICMLT 2021 ページ： 117-121 発行年： 2021年
JST資料番号： D0698C 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)

ニューラル常微分方程式(NODE)はニューラルネットワークによってパラメータ化された常微分方程式の軌跡として中間特徴ベクトルの計算を扱う。本論文では,遅延微分方程式(DDE)に触発された新しいモデル,遅延微分ニューラルネットワーク(DDNN)を提案した。提案モデルは,NODEの場合の電流特性ベクトルのみと異なり,現在の特徴ベクトルと過去の特徴ベクトル(履歴)の関数として隠れ特徴ベクトルの導関数を考慮した。関数をニューラルネットワークとしてモデル化し,その結果,最近のResNet変異体に対する連続深さ代替案を導いた。DDNNを訓練するために,著者らは,ネットワークを通して勾配とバックプロパゲートを計算するためのメモリ効率の良い随伴法について議論する。DDNNは,一般化性能に影響することなく,パラメータ数をさらに低減することによって,NODEのデータ効率を改善する。提案モデルの有効性を示すために,シファー10およびシファ100のような実世界画像分類データセット上で実験を行った。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , ,
, , , , 【Automatic Indexing@JST】

著者キーワード (3件)： , ,

パターン認識 , ニューロコンピュータ

前のページに戻る