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。
現在の深層学習モデルは,ニューラルネットワーク,すなわち,バックプロパゲーションによって訓練できるパラメータ化微分可能非線形モジュールの多重層,で主に構築される。本論文では,非微分モジュールに基づく深層モデルの構築の可能性を調べた。深層ニューラルネットワークの成功の背後にある myは,3つの特性,すなわち,層ごとの処理,モデル内特徴変換,および十分なモデル複雑性に,非常に多くなると推測した。著者らは,これらの特徴の深い森林保持を生成するgcForestアプローチを提案する。これは,深いニューラルネットワークより非常に少ないハイパーパラメータを有する決定木集合アプローチであり,そのモデル複雑性は,データ依存方法で自動的に決定することができる。実験は,その性能がハイパーパラメータ設定に対して非常にロバストであり,多くの場合,異なるドメインからの異なるデータにわたってさえ,同じデフォルト設定を用いて優れた性能を得ることができることを示した。本研究は,非微分モジュールに基づく深層学習のドアを開き,バックプロパゲーションを使用せずに,深いモデル構築の可能性を示す。【JST・京大機械翻訳】