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。
深層学習は,すべての従来の機械学習領域で多くの進展を達成した一般的な機械学習手法である。薄い(IoT)とスマートシティ配置のインターネットは,分析の必要において大量の時系列センサデータを生成する。これらのドメインに深い学習を適用することは,研究の重要な話題である。Long-Short Termメモリ(LSTM)ネットワークは,時系列の長い間隔と遅れを持つ重要な事象の扱いと予測に適していることが証明されている。LTSMネットワークは長期記憶を維持する能力を持つ。LTSMネットワークでは,積層LSTM隠れ層も,他の技法によって要求される微調整と前処理の必要なしに,高レベル時間的特徴の学習を可能にする。本論文では,長い短期メモリ(LSTM)再帰ニューラルネットワーク構造を構築し,予測モデルを構築するために通常の時系列訓練セットを使用した。そして次に,予測モデルからの予測誤差を用いて,元のサンプルが異常であるかどうかを検出するために,GaussナイーブBayesモデルを構築した。この方法はLSTM-Gauss-NBaysと呼ばれる。3つの実世界データセットを用いて,その各々は,非常に弱い時間依存性であっても,長期時間依存性または短期時間依存性を含む。実験結果は,LSTM-Gauss-NBaysが有効でロバストなモデルであることを示した。【JST・京大機械翻訳】