文献

J-GLOBAL ID：202202235899505851   整理番号：22A0095540

解析的な層別深層学習フレームワークとロボットへの応用【JST・京大機械翻訳】

An analytic layer-wise deep learning framework with applications to robotics

著者 (3件)： Nguyen Huu-Thiet (School of Electrical and Electronic Engineering, Nanyang Technological University, 50 Nanyang Avenue, 639798, Singapore) ,  Cheah Chien Chern (School of Electrical and Electronic Engineering, Nanyang Technological University, 50 Nanyang Avenue, 639798, Singapore) ,  Toh Kar-Ann (School of Electrical and Electronic Engineering, Yonsei University, Seoul, 03722, Republic of Korea)
資料名： Automatica  (Automatica)
巻： 135  ページ： Null  発行年： 2022年 
JST資料番号： B0208A  ISSN： 0005-1098  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 深層学習(DL)は多くのアプリケーションで大きな成功を達成したが,理論的展望からあまり分析されていない。ブラックボックスDLモデルの説明不能な成功は科学者の間で疑問を提起し,説明可能な人工知能(XAI)の分野の出現を促進した。ロボット工学において,ロボットが物理的世界と安全に相互作用する必要のあるアクティブエージェントとして,予測可能かつ安定した方法でDLアルゴリズムを展開することは特に重要である。本論文では,回帰問題と分類問題の両方に適用できる完全接続ニューラルネットワークのための解析的深層学習フレームワークを提案した。回帰と分類問題のための用例は,オンラインロボット制御とロボットビジョンを含んだ。学習システムの収束を解析できるような2層学習アルゴリズムを提案した。最初に,各層のための収束解析による多層ネットワークのための逆層別学習アルゴリズムを提示して,層ごとの深層学習の問題を理解した。第2に,単一隠れ層ネットワークを用いて,深いネットワークが次第に構築される前進的進行性学習アルゴリズムを開発し,より良い精度を達成した。漸進的学習法は,収束の観点から重みの微調整に使用できることを示した。提案したフレームワークの有効性を,MNISTとCIFAR-10データセットを用いた古典的ベンチマーク認識タスクに基づいて説明し,結果は性能と説明可能性の間の良好なバランスを示した。次に,提案方法をロボット運動学のオンライン学習に適用し,未知モデルによるUR5eロボットの運動学制御に関する実験結果を提示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  相互作用 ,  *学習 ,  ネットワーク ,  *ロボット ,  ニューラルネットワーク ,  *層別 ,  人工知能 ,  応用プログラム ,  ベンチマーク ,  エージェント ,  学習アルゴリズム
準シソーラス用語： オンライン学習 ,  オンライン ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 深層ネットワーク ,  層別学習 ,  ロボットビジョン ,  運動学的制御 ,  XAI

分類 (1件)： システム設計・解析  (IA02030D)

タイトルに関連する用語 (6件)： 解析 ,  層別 ,  深層学習 ,  フレームワーク ,  ロボット ,  応用