生成モデル学習のためのニューラルコーディングフレームワーク【JST・京大機械翻訳】

Ororbia Alexander; Kifer Daniel

プレプリント

J-GLOBAL ID：202202211214797408 整理番号：22P0003482

生成モデル学習のためのニューラルコーディングフレームワーク【JST・京大機械翻訳】

The Neural Coding Framework for Learning Generative Models

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： 2020年12月06日プレプリントサーバーでの情報更新日： 2022年01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)

ニューラル生成モデルを用いて,データから複雑な確率分布を学習し,それらからサンプルまで,確率密度推定を生成することができる。脳における予測処理の理論に触発された神経発生モデルを開発するための計算フレームワークを提案した。予測処理理論に従って,脳におけるニューロンは,1つのレベルのニューロンが,他のレベルから感覚入力に関する期待を形成する階層構造を形成する。これらのニューロンは,それらの期待と観測された信号の違いに基づいて,それらの局所モデルを更新する。同様の方法において,著者らの生成モデルにおける人工ニューロンは,どの隣接ニューロンが何が行うかを予測し,予測が現実にいかによく整合するかに基づいてそれらのパラメータを調整する。本研究では,このフレームワークの中で学習されたニューラル生成モデルが,いくつかのベンチマークデータセットとメトリックスにおいて実際によく機能し,また,類似の機能性(変分オートエンコーダのような)を持つ他の生成モデルと比較して,または,かなり性能が優れていることを示す。【JST・京大機械翻訳】

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

脳・神経系モデル

前のページに戻る