文献

J-GLOBAL ID：202202254817193223   整理番号：22A1174308

動的安定化リカレントニューラルネットワーク【JST・京大機械翻訳】

A Dynamically Stabilized Recurrent Neural Network

著者 (5件)： Saab Samer Jr. (Department of Electrical Engineering, The Pennsylvania State University, State College, PA, USA) ,  Fu Yiwei (Department of Mechanical Engineering, The Pennsylvania State University, State College, PA, USA) ,  Ray Asok (Department of Mechanical Engineering, The Pennsylvania State University, State College, PA, USA) ,  Ray Asok (Department of Mathematics, The Pennsylvania State University, State College, PA, USA) ,  Hauser Michael (Department of Mechanical Engineering, The Pennsylvania State University, State College, PA, USA)
資料名： Neural Processing Letters  (Neural Processing Letters)
巻： 54  号： 2  ページ： 1195-1209  発行年： 2022年 
JST資料番号： W0953A  ISSN： 1370-4621  CODEN： NPLEFG  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本研究では,動的安定化リカレントニューラルネットワーク(DSRNN)と呼ばれる新しい再帰ニューラルネットワークアーキテクチャを提案した。開発したDSRNNは,ネットワーク隠れ状態軌道の状態空間表現を可能にし,Lyapunov安定性理論の設定における損失関数に正則化項を導入する,特定数の時間ステップにわたる学習可能なスキップ接続を含む。正則化器は,(線形化)伝達関数行列の固有値を複素平面の所望位置へ配置することを可能にし,それによって隠れ状態軌道のための内部制御器として作用する。この方法で,DSRNNは時間スキップ接続の重みを調整し,再帰隠れ状態安定性を達成し,消失と爆発勾配の問題を緩和した。DSRNNの有効性を,記録された二重振り子実験モデルの予測タスクで実証した。結果は,DSRNNがLong Short-Termメモリ(LSTM)とバニラリカレントニューラルネットワークの両方より優れ,LSTMの相対的平均二乗誤差が[数式:原文を参照]99.64%まで減少することを示した。また,DSRNNは2つのLorenz発振器システムの分類タスクにおいてLSTMに匹敵する結果を示した。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 安定性 ,  記憶装置 ,  誤差 ,  固有値 ,  発振器 ,  学習 ,  制御装置 ,  損失関数 ,  *ネットワーク ,  バニラ ,  正則化 ,  有効性 ,  *神経回路網
準シソーラス用語： 平均二乗誤差 ,  *リカレントニューラルネットワーク ,  線形化 ,  Lyapunov安定性 , 【Automatic Indexing@JST】

著者キーワード (3件)： リカレントニューラルネットワーク ,  長期短期記憶 ,  Lyapunov安定性

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (1件)： リカレントニューラルネットワーク