文献

J-GLOBAL ID：202202236696835646   整理番号：22A0831411

自己適応深層ニューラルネットワーク:関数とPDEに対する数値近似【JST・京大機械翻訳】

Self-adaptive deep neural network: Numerical approximation to functions and PDEs

著者 (3件)： Cai Zhiqiang (Department of Mathematics, Purdue University, 150 N. University Street, West Lafayette, IN 47907-2067, United States of America) ,  Chen Jingshuang (Department of Mathematics, Purdue University, 150 N. University Street, West Lafayette, IN 47907-2067, United States of America) ,  Liu Min (School of Mechanical Engineering, Purdue University, 585 Purdue Mall, West Lafayette, IN 47907-2088, United States of America)
資料名： Journal of Computational Physics  (Journal of Computational Physics)
巻： 455  ページ： Null  発行年： 2022年 
JST資料番号： B0860A  ISSN： 0021-9991  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： 与えられたタスクに対する最適深層ニューラルネットワークの設計は,多くの機械学習アプリケーションにおいて重要で挑戦的である。この課題に取り組むために,自己適応アルゴリズム,即ち,適応ネットワーク強化(ANE)法を導入し,形状トレイン→推定→エンハンスのループとして記述した。小さな2層ニューラルネットワーク(NN)から出発して,ステップトレインは,現在のNNで最適化問題を解決する。ステップ推定は,現在のNNでの解を用いて事後推定器/指標を計算することである。ステップ強化は,新しいニューロンを現在のNNに加えることである。本論文では,計算推定器/指標に基づく新しいネットワーク増強戦略を開発し,多くの新しいニューロンと新しい層が現在のNNに追加すべきかを決定した。ANE法は,現在のNNの訓練における良好な初期化を得るための自然なプロセスを提供する。さらに,著者らは,より良い近似のために新しく加えられたニューロンをいかに初期化するかに関する高度な手順を導入した。ANE法は,双曲線偏微分方程式の不連続解と同様に,鋭い遷移層を示す学習関数に対して,ほぼ最小NNを自動的に設計できることを示した。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： 偏微分方程式 ,  学習 ,  最適化問題 ,  *ネットワーク ,  ニューロン ,  *ニューラルネットワーク ,  *近似法 ,  応用プログラム ,  不連続性 ,  機械学習
準シソーラス用語： *自己適応 ,  適応アルゴリズム ,  *ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 自己適応性 ,  移流反応方程式 ,  最小二乗近似 ,  深層ニューラルネットワーク ,  ReLU活性化

分類 (1件)： 数値計算  (JE02000J)

タイトルに関連する用語 (6件)： 自己適応 ,  深層ニューラルネットワーク ,  関数 ,  PDE ,  数値 ,  近似