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。
本研究では,一連のタスクのロバストな連続学習のための包括的進行性Bayesニューラルネットワークを提案した。Bayesニューラルネットワークは,タスクのシーケンスを表現するために十分なネットワーク資源があるように,次第に剪定され,成長され,一方,ネットワークが爆発しない。それは,類似したタスクが,連続学習シナリオにおけるすべてのタスクの公正な表現を確実にするため,同じ数のトータルネットワーク資源を持つべきである。したがって,新しいタスクストリームのデータとして,十分なニューロンをネットワークに追加して,ネットワークの各層におけるニューロンの総数を,以前のタスクと個々のタスク関連表現との共有表現を含めて,すべてのタスクに対して等しいようにした。各タスクの訓練の最後に冗長である重みは,再初期化を通してまた,後続のタスクで効率的に利用するために,刈り取りされる。したがって,ネットワークは次第に成長するが,ネットワーク資源の有効利用を確実にする。提案手法を,「包括的に進行性のBayesニューラルネットワーク(RCL-CPB)」を通して「ロバスト連続学習」として言及し,3つの異なる連続学習シナリオの下で,MNISTデータセット上で提案したアプローチを評価した。さらに,スプリットCIFAR100(20タスク5クラス)を用いたタスクの均一シーケンスにおけるRCL-CPBの性能を評価し,MNIST,SVHNおよびCIFAR10データセットを用いたタスクの不均一シーケンスを評価した。実証と性能結果は,進行性BNNのための提案戦略がロバスト連続学習を可能にすることを示した。【JST・京大機械翻訳】
