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。
本論文は,訓練が開始し,また「容易な訓練」と「ハード訓練」が中間の時代の間に起こる,機械学習における「一般循環訓練」の原理を記述する。アルゴリズム例(ハイパーパラメータおよび損失関数),データベース例およびモデルベース例を含む,訓練ニューラルネットワークに対するいくつかの兆候を提案した。特に,いくつかの新しい技術:周期的重量減衰,周期的バッチサイズ,周期的焦点損失,周期的ソフトマックス温度,周期的データ増強,周期的勾配クリッピング,および周期的半教師つき学習を紹介した。さらに,周期的重み減衰,周期的ソフトマックス温度,および周期的勾配クリッピング(この原理の3例として)が訓練モデルの試験精度性能に有益であることを示した。さらに,一般循環訓練の展望からモデルベース例(予訓練および知識蒸留など)を議論し,典型的な訓練方法論へのいくつかの変化を推奨した。要約すれば,本論文では,一般的な周期的訓練概念を定義し,この概念を訓練ニューラルネットワークに適用できるいくつかの特定の方法を論じた。再現性の精神において,著者らの実験で使用されたコードは,ウルル{https://github.com/lnsmith54/CFL}で利用可能である。【JST・京大機械翻訳】