能動予測符号化ネットワーク:参照フレームと部分全体階層の学習問題に対するニューラル解【JST・京大機械翻訳】

Gklezakos, D. C.; Rao, R. P. N.

プレプリント

J-GLOBAL ID：202202219550448471 整理番号：22P0312930

能動予測符号化ネットワーク:参照フレームと部分全体階層の学習問題に対するニューラル解【JST・京大機械翻訳】

Active Predictive Coding Networks: A Neural Solution to the Problem of Learning Reference Frames and Part-Whole Hierarchies

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： 2022年01月21日プレプリントサーバーでの情報更新日： 2022年01月21日
JST資料番号： O7001B 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)

著者らは,人工知能と脳モデリングの分野において,Hintonと他者によって提起された主要な問題を解決する新しいクラスのニューラルネットワークであるアクティブ予測符号化ネットワーク(APCNs)を導入し,ニューラルネットワークは,構文ツリーのノードを動的に割り当てることによって,オブジェクトとパーセ視覚シーンに固有の参照フレームを部分-ホール階層に学習する。APCNはアイデアの新しい組合せを用いてこの問題に対処した。(1)ハイパーネットワークを,より高いオブジェクトレベル埋込みベクトルに条件付けされた固有参照フレーム内の部分とその位置を予測するリカレントニューラルネットワークを動的に生成するために使用し,そして(2)強化学習をモデルパラメータのエンドツーエンド学習のためのバックプロパゲーションと共に用いた。APCNアーキテクチャは,それ自身自然に多レベル階層学習に終わり,皮質機能の予測符号化モデルに密接に関連している。MNIST,Fashion-MNISTTおよびOmniglotデータセットを用いて,APCNsは,(a)部分-ホール階層に画像を学習し,(b)構成表現を学習し,(c)オブジェクトのクラスにそれらの知識を転送することを実証する。オブジェクトに対する部分位置を持つ構文ツリーを動的に生成する能力により,APCNは解釈可能性と構成性を維持しながら,深層学習の進歩を利用する説明可能なAIのための新しいフレームワークを提供する。【JST・京大機械翻訳】

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

図形・画像処理一般 , パターン認識

, , , ,

前のページに戻る