文献

J-GLOBAL ID：202202254536708084   整理番号：22A0493105

産業情報システムオペレータの訓練軌跡を予測するためのリカレントニューラルネットワークの適用【JST・京大機械翻訳】

Applying recurrent neural networks to predict the training trajectory of industrial information system operators

著者 (1件)： Krupa Tatiana V. (LLC ‘GlobalLab’, 18, b. 5 Andropova pr., Moscow, 115432, Russia)
資料名： AIP Conference Proceedings  (AIP Conference Proceedings)
巻： 2456  号： 1  ページ： 030021-030021-4  発行年： 2022年 
JST資料番号： D0071C  ISSN： 0094-243X  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文では,開発したリカレントニューラルネットワーク(RNN)アーキテクチャxMANN(外部メモリメモリ増強ニューラルネットワーク)の一連の探索試験の結果を示した。RNNアーキテクチャxMANNの性能を,RNN制御アーキテクチャLSTM(長い短期メモリ)試験を用いて得た結果とテストシリーズの結果を比較することによって評価し,異なる初期条件:入力データの組成;教育軌道サンプリングのオプション;イベントのための埋込みベクトルのサイズ;埋込み層訓練におけるΔΨウィンドウのサイズ;埋込み層訓練における反復回数;RNN訓練におけるバッチの数;RNN訓練における時代の数;訓練例の割合;RNN訓練の交差確認に用いる軌跡の分数は,結果である。結果は,再帰ニューラルネットワーク訓練の生データおよびハイパーパラメータの構成であり,そして,それらのアーキテクチャの特徴は,精度関数の最大値および損失関数の最小値によって,最適学習軌道の予測を可能にした。xMANNアーキテクチャは,全ての一連の実験に対して最適教育軌道精度の予測においてLSTMアーキテクチャを超える利点を示した。平均して,xMANNに対する損失関数値は全ての試験系列に対してLSTMよりも0.34低く,曲線指標下のΔΨ面積はLSTMよりも平均0.07高かった。Copyright 2022 AIP Publishing LLC All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  教育 ,  ベクトル ,  学習 ,  情報システム ,  損失関数 ,  *オペレータ ,  *ニューラルネットワーク ,  初期条件 ,  計算機アーキテクチャ ,  外部記憶装置
準シソーラス用語： *リカレントニューラルネットワーク ,  埋込み層 ,  ハイパーパラメータ ,  生データ , 【Automatic Indexing@JST】

分類 (3件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： 産業 ,  情報システム ,  オペレータ ,  訓練 ,  軌跡 ,  予測 ,  リカレントニューラルネットワーク