教師付きHebb学習【JST・京大機械翻訳】

Alemanno Francesco; Aquaro Miriam; Kanter Ido; Barra Adriano; Agliari Elena

プレプリント

J-GLOBAL ID：202202220491994651 整理番号：22P0297954

教師付きHebb学習【JST・京大機械翻訳】

Supervised Hebbian Learning

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 (5件)： , , , ,
資料名：
発行年： 2022年03月02日プレプリントサーバーでの情報更新日： 2022年09月07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)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

ニューラルネットワークの文献において,Hebbian学習は,Hopfieldモデルとその一般化がアーチ型(すなわち,シナプスマトリックスを形成するのに一度経験される明確なパターン)を保存する手順に伝統的に言及する。しかし,機械学習における用語「学習」は,利用可能なデータセット(例えば,これらの原型のぼやけた例から作られている)から特徴を抽出するための機械の能力に言及し,入手不能な原型のそれ自身の表現を行う。ここでは,事例のサンプルを与えて,Hopfieldネットワークがアーチ型を推論できる教師つき学習プロトコルを定義し,システム性能の相図を表現するために,正しい制御パラメータ(データセットのサイズと品質を含む)を検出した。また,構造なしデータセットに対して,この教師つき学習ルールを備えたHopfieldモデルは制限Boltzmannマシンと同等であり,これは最適で解釈可能な訓練ルーチンを示唆した。最後に,このアプローチを構造化データセットに一般化し,解析データセットにおける準超計量組織(レプリカ-対称性-破れのレミナンス)を強調し,その結果,その(部分)もつれに対する付加的「レプリカ隠れ層」を導入し,それは75%から95%へのMNIST分類を改善し,深いアーキテクチャに関する新しい展望を提供することを示した。【JST・京大機械翻訳】

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

人工知能 , ニューロコンピュータ

前のページに戻る