文献

J-GLOBAL ID：202202280420053990   整理番号：22A1093409

訓練中の柔軟な表現性を持つ無限深層ニューラルネットワークの構築【JST・京大機械翻訳】

Constructing infinite deep neural networks with flexible expressiveness while training

著者 (5件)： Luo Zhengbo (Graduate School of IPS, Waseda University, Kitakyushu City, Fukuoka, Japan) ,  Sun Zitang (Graduate School of IPS, Waseda University, Kitakyushu City, Fukuoka, Japan) ,  Zhou Weilian (Graduate School of IPS, Waseda University, Kitakyushu City, Fukuoka, Japan) ,  Wu Zizhang (Zongmu Technology, Shanghai, China) ,  Kamata Sei-ichiro (Graduate School of IPS, Waseda University, Kitakyushu City, Fukuoka, Japan)
資料名： Neurocomputing  (Neurocomputing)
巻： 487  ページ： 257-268  発行年： 2022年 
JST資料番号： W0360A  ISSN： 0925-2312  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： 深層ニューラルネットワーク(DNN)の深さは,人工ニューラルネットワークの入出力層の間の隠れ層の数に言及する。それは,通常,ネットワーク構造が定められると,計算コスト(パラメータおよび浮動点演算/秒)および表現性の複雑性のある程度の複雑度を示す。本研究では,より多くの層(離散深さ)を積層するよりも比較的浅いネットワークに対する連続方法でさらに深さを提供するための要素として,ニューラル常微分方程式(NODE)の使用の有効性を実験的に調べ,より少ないパラメータで改善を達成した。古典的なDNN,残差ネットワークについて実験を行った。さらに,NODEに基づく柔軟な複雑性を有する無限深層ニューラルネットワークを構築し,訓練中のその複雑性を調整するシステムを可能にした。適応ステップDNNによって提供されるより良い隠れ空間において,NODE(ResODE)による適応ステップResNetは,標準ネットワークより収束と精度に関してより良い性能を達成するために管理され,改良は一般的なベンチマークで広く観察される。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： 常微分方程式 ,  *ネットワーク ,  実験 ,  *ニューラルネットワーク ,  残差 ,  演算 ,  画像処理 ,  ネットワーク構造 ,  ベンチマーク
準シソーラス用語： 表現力 ,  隠れ層 ,  複雑性 ,  複雑度 ,  計算コスト ,  *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 (3件)： 深層ニューラルネットワーク ,  ニューラル常微分方程式 ,  画像処理

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

タイトルに関連する用語 (5件)： 訓練 ,  表現性 ,  無限 ,  深層ニューラルネットワーク ,  構築