抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
新しいスキルを学習するために以前に獲得したスキルを符号化するために,学習アルゴリズムが変化する接続を学習するとき,カタストロフィーの忘却が発生する。最近,ニューラルネットワークのためのモジュールアプローチは,学習問題が,物理的に異なるネットワークモジュールに機能を分離することにより,学習干渉を直感的に減らすべきであるので,学習問題として,必要とされた。しかし,エキスパート設計と試行錯誤を含むので,アルゴリズムアプローチは実際には難しい。Kashtanらは,モジュール方式で変化する環境下の進化がモジュールネットワーク構造の自発的発展を導くことを見出した。本論文では,現実的なデータにも適用できるように,壊滅的忘却を緩和することができる高度にモジュール構造を得るために,モジュール的に変化する目標(MVG)の逆問題を解くことを目指した。最初に,現実的なデータセットに対してMVGを適用することにより,高モジュール構造の配置が存在することを確認し,このニューラルネットワークが壊滅的忘却を緩和することができることを確認した。次に,著者らは逆問題を解決して,著者らは,壊滅的忘却を緩和することができる高モジュール構造を得ることができる方法を提案した。MVG取得ニューラルネットワークは,モジュール間要素を比較的可変に維持しながら,モジュール内要素を比較的に維持することができるので,モジュール間重み要素を制限する方法を提案して,それらがモジュール内のものに対して相対的に可変であるようにした。その結果,得られたニューラルネットワークは,高度にモジュール構造を持ち,この方法なしの場合よりも,非学習目標を迅速に学習できる。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】