文献

J-GLOBAL ID：202102230942102601   整理番号：21A0892562

深層化ニューラルネットワークの利点の理論的解析【JST・京大機械翻訳】

Theoretical Analysis of the Advantage of Deepening Neural Networks

著者 (3件)： Esaki Yasushi (Waseda University,Faculty of Science and Engineering,Tokyo,Japan) ,  Nakahara Yuta (Waseda University,Center for Data Science,Tokyo,Japan) ,  Matsushima Toshiyasu (Waseda University,Faculty of Science and Engineering,Tokyo,Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICMLA  ページ： 479-484  発行年： 2020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を深める利点を理解するための二つの新しい基準を提案した。深層ニューラルネットワークによって計算可能な関数の表現性を知ることは,ニューラルネットワークを深める利点を理解するために重要である。不十分な深層ニューラルネットワークには十分な表現性があり,学習が成功しているとしても,それらは良い性能を持たない。この状況において,提案した基準は,学習の効率とは独立に表現性を評価することができるので,ニューラルネットワークを深める利点の理解に寄与する。最初の基準は,ターゲット関数に対する深いニューラルネットワークの近似精度を示した。この基準は,深層学習の目標が深層ニューラルネットワークによって目標関数を近似するという背景を持っている。第二の基準は,深いニューラルネットワークによって計算可能な関数の線形領域の特性を示した。この基準は,その活性化関数が区分的線形である深いニューラルネットワークも区分的線形であるという背景を持つ。さらに,2つの基準により,深層ニューラルネットワークの表現性の改善において,各層でユニットを増加させるよりも,層を増加させるのがより効果的であることを示す。Copyright 2021 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： *ニューラルネットワーク ,  線形性 ,  深層
準シソーラス用語： 表現力 ,  活性化関数 ,  深層学習 ,  ディープニューラルネットワーク , 【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 (5件)： 深層 ,  ニューラルネットワーク ,  利点 ,  理論 ,  解析