Fugu-MT 論文翻訳(概要): Goldilocks Neural Networks

論文の概要: Goldilocks Neural Networks

arxiv url: http://arxiv.org/abs/2002.05059v2
Date: Wed, 26 Feb 2020 11:20:28 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 01:47:40.923620
Title: Goldilocks Neural Networks
Title（参考訳）: Goldilocksのニューラルネットワーク
Authors: Jan Rosenzweig, Zoran Cvetkovic and Ivana Rosenzweig
Abstract要約: ゴールドロック」クラスのアクティベーション機能は、入力信号が適切な範囲にある場合にのみ、非直線的に入力信号を局所的に変形させる。信号の小さな局所的な変形は、信号が層を通して変換される方法と理由をよりよく理解することができる。
参考スコア（独自算出の注目度）: 4.804124353515165
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce the new "Goldilocks" class of activation functions, which non-linearly deform the input signal only locally when the input signal is in the appropriate range. The small local deformation of the signal enables better understanding of how and why the signal is transformed through the layers. Numerical results on CIFAR-10 and CIFAR-100 data sets show that Goldilocks networks perform better than, or comparably to SELU and RELU, while introducing tractability of data deformation through the layers.
Abstract（参考訳）: 入力信号が適切な範囲内にある場合にのみ局所的に入力信号を非線型に変形させる新しい「goldilocks」タイプのアクティベーション関数を導入する。信号の小さな局所的な変形は、信号が層を通してどのように変換されるかと理由をよりよく理解する。 CIFAR-10 と CIFAR-100 データセットの数値結果から,Goldilocks ネットワークは SELU や RELU よりも優れた性能を示し,層間データ変形のトラクタビリティを導入している。

関連論文リスト

BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。 BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2023-10-26T17:03:14Z)
Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文参考訳（メタデータ） (2023-03-24T11:12:37Z)
Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
論文参考訳（メタデータ） (2022-05-31T07:23:42Z)
Classification of Intra-Pulse Modulation of Radar Signals by Feature Fusion Based Convolutional Neural Networks [5.199765487172328]
本研究では、パルス内変調型レーダ信号を自動的に認識するディープラーニングに基づく新しい手法を提案する。提案するFF-CNN技術は,現在の最先端技術よりも優れていることを示す。
論文参考訳（メタデータ） (2022-05-19T20:18:17Z)
Trainable Wavelet Neural Network for Non-Stationary Signals [0.0]
本研究は,非定常信号に適合するフィルタバンクを学習するためのウェーブレットニューラルネットワークを導入し,デジタル信号処理の解釈性と性能を向上させる。このネットワークは、複雑なモレットウェーブレットのパラメータ化関数である畳み込みがニューラルネットワークの第1層としてウェーブレット変換を使用する。
論文参考訳（メタデータ） (2022-05-06T16:41:27Z)
Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
論文参考訳（メタデータ） (2021-06-18T04:23:34Z)
Modulated Periodic Activations for Generalizable Local Functional Representations [113.64179351957888]
我々は,複数のインスタンスに一般化し,最先端の忠実性を実現する新しい表現を提案する。提案手法は,画像,映像,形状の汎用的な機能表現を生成し,単一信号に最適化された先行処理よりも高い再構成品質を実現する。
論文参考訳（メタデータ） (2021-04-08T17:59:04Z)
Beyond Low-frequency Information in Graph Convolutional Networks [34.18816015423785]
自己制御機構を備えた新しい周波数適応グラフ畳み込みネットワーク(fagcn)を提案する。より深く理解するために、学習ノード表現における低周波信号と高周波信号の役割を理論的に分析する。 FAGCNは、過スムージング問題を緩和するだけでなく、最先端の利点もあります。
論文参考訳（メタデータ） (2021-01-04T06:26:36Z)
Deoscillated Graph Collaborative Filtering [74.55967586618287]
協調フィルタリング(CF)信号は、ユーザとアイテムの埋め込みを学習するRecommender System(RS)モデルにとって不可欠である。最近のグラフニューラルネットワーク(GNN)では、複数の集約層を積み重ねて高次信号の伝搬を提案する。 textbfDeoscillated textbfGraph textbfCollaborative textbfFiltering(DGCF)という新しいRSモデルを提案する。
論文参考訳（メタデータ） (2020-11-04T02:26:53Z)
Lamina-specific neuronal properties promote robust, stable signal propagation in feedforward networks [10.255673932966184]
本研究では,ラミナ特異的な細胞特性から生じる層間不均一性が,FFNのシグナル伝達と情報伝達を促進することを示す。具体的には、入力駆動スパイク信号上でニューロンの各層が生成した信号変換が、先行層によって導入された信号歪みを復調することを示した。この機構は、伝播スパイク信号によって伝達される情報伝達を促進し、ディープFFNにおける信頼性の高いスパイク信号と情報伝達をサポートする。
論文参考訳（メタデータ） (2020-10-23T01:57:46Z)
Ensemble Wrapper Subsampling for Deep Modulation Classification [70.91089216571035]
受信した無線信号のサブサンプリングは、ハードウェア要件と信号処理アルゴリズムの計算コストを緩和するために重要である。本稿では,無線通信システムにおけるディープラーニングを用いた自動変調分類のためのサブサンプリング手法を提案する。
論文参考訳（メタデータ） (2020-05-10T06:11:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。