エンドツーエンド最適化による逐次データ予測のためのハイブリッドフレームワーク【JST・京大機械翻訳】

Aydin Mustafa E.; Kozat Suleyman S.

プレプリント

J-GLOBAL ID：202202205138200979 整理番号：22P0310437

エンドツーエンド最適化による逐次データ予測のためのハイブリッドフレームワーク【JST・京大機械翻訳】

A Hybrid Framework for Sequential Data Prediction with End-to-End Optimization

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年03月25日プレプリントサーバーでの情報更新日： 2022年08月04日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

オンライン設定における非線形予測を検討し,エンドツーエンドアーキテクチャを介して効果的に緩和するハイブリッドモデルを導入し,従来の非線形予測/回帰法の手設計特徴および手動モデル選択問題の必要性を検討した。特に,逐次信号から特徴を抽出するために再帰的構造を使用し,一方,状態情報,すなわち,履歴を保存し,最終出力を作り出すために決定木を押し上げる。接続はエンドツーエンド方式で,確率的勾配降下を用いて全体アーキテクチャを共同最適化し,そのために後方パス更新方程式も提供した。特に,逐次データからの適応特徴抽出のための再帰ニューラルネットワーク(LSTM)と効果的な教師つき回帰のための勾配ブースティング機械(ソフトGBDT)を採用した。フレームワークは一般的であり,1つは特徴抽出(RNNやGRUなど)のための他の深層学習アーキテクチャと,それらが微分できる限りの意思決定のための機械学習アルゴリズムを利用することができる。著者らは,合成データに関する著者らのアルゴリズムの学習挙動と,種々の現実のデータセットに関する従来の方法に関する重要な性能改良を実証した。さらに,提案した方法のソースコードをオープンに共有し,さらなる研究を容易にした。【JST・京大機械翻訳】

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

人工知能 , 計算機網

, , , ,

前のページに戻る