論文の概要: Image-to-image Neural Network for Addition and Subtraction of a Pair of
Not Very Large Numbers
- arxiv url: http://arxiv.org/abs/2003.06592v1
- Date: Sat, 14 Mar 2020 09:59:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 19:54:04.248057
- Title: Image-to-image Neural Network for Addition and Subtraction of a Pair of
Not Very Large Numbers
- Title（参考訳）: 画像から画像へのニューラルネットワークによる大数でないペアの加算と減算
- Authors: Vladimir Ivashkin
- Abstract要約: 本稿では,単純な数学的表現の画像と解答の画像を生成する畳み込みニューラルネットワークを訓練することを提案する。
この神経電卓は2桁の数値のペアでのみ動作し、加算と減算のみをサポートする。
- 参考スコア（独自算出の注目度）: 2.445911003610726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Looking back at the history of calculators, one can see that they become less
functional and more computationally expensive over time. A modern calculator
runs on a personal computer and is drawn at 60 fps only to help us click a few
digits with a mouse pointer. A search engine is often used as a calculator,
which means that nowadays we need the Internet just to add two numbers. In this
paper, we propose to go further and train a convolutional neural network that
takes an image of a simple mathematical expression and generates an image of an
answer. This neural calculator works only with pairs of double-digit numbers
and supports only addition and subtraction. Also, sometimes it makes mistakes.
We promise that the proposed calculator is a small step for man, but one giant
leap for mankind.
- Abstract（参考訳）: 電卓の歴史を振り返ると、時間が経つにつれて機能が少なくなり、計算コストも高くなることが分かる。
現代の計算機はパソコン上で動作し、60fpsで描画されますが、マウスポインタで数桁をクリックするのに役立ちます。
検索エンジンは、しばしば電卓として使われるため、今日では2つの数字を追加するだけでインターネットが必要である。
本稿では、単純な数学的表現の画像を取り込み、回答のイメージを生成する畳み込みニューラルネットワークをさらに訓練することを提案する。
この神経電卓は2桁数のペアでのみ動作し、加算と減算のみをサポートする。
また、時には間違いを犯すこともある。
提案された電卓は人間の小さなステップだが、人類にとっては大きな飛躍だ。
関連論文リスト
- Why do CNNs excel at feature extraction? A mathematical explanation [53.807657273043446]
実世界のデータセットに似た画像を生成するのに使用できる特徴抽出に基づく画像分類の新しいモデルを提案する。
本研究では,特徴の存在を検知する一方向線形関数を構築し,畳み込みネットワークで実現可能であることを示す。
論文 参考訳（メタデータ） (2023-07-03T10:41:34Z) - A Neural Lambda Calculus: Neurosymbolic AI meets the foundations of
computing and functional programming [0.0]
我々は、プログラム全体の実行方法を学ぶニューラルネットワークの能力を分析する。
統合型ニューラルラーニングと電卓形式化の導入について紹介する。
論文 参考訳（メタデータ） (2023-04-18T20:30:16Z) - Learning Iterative Reasoning through Energy Minimization [77.33859525900334]
ニューラルネットワークを用いた反復推論のための新しいフレームワークを提案する。
すべての出力に対してエネルギーランドスケープをパラメータ化するために、ニューラルネットワークをトレーニングします。
エネルギー最小化ステップとして反復推論の各ステップを実装し,最小限のエネルギー解を求める。
論文 参考訳（メタデータ） (2022-06-30T17:44:20Z) - Can You Learn an Algorithm? Generalizing from Easy to Hard Problems with
Recurrent Networks [47.54459795966417]
単純な問題を解くために訓練されたリカレントネットワークは、推論中に追加の繰り返しを実行するだけで、はるかに複雑な問題を解くことができることを示す。
これら3つのドメインすべてにおいて、単純な問題インスタンスに基づいてトレーニングされたネットワークは、単に"もっと長く考える"ことで、テスト時に推論能力を拡張することができる。
論文 参考訳（メタデータ） (2021-06-08T17:19:48Z) - Neuromorphic Computing is Turing-Complete [0.0]
ニューロモルフィックコンピューティング(Neuromorphic Computing)は、人間の脳をエミュレートして計算を行う非ヴォンノイマン計算パラダイムである。
ニューロモルフィックシステムはエネルギー効率が非常に高く、cpuやgpuの数千倍の消費電力で知られている。
我々は、すべてのmu再帰関数とすべてのmu再帰演算子を計算するためのニューロモルフィック回路を考案する。
論文 参考訳（メタデータ） (2021-04-28T19:25:01Z) - Neurocoder: Learning General-Purpose Computation Using Stored Neural
Programs [64.56890245622822]
ニューロコーダ(Neurocoder)は、汎用計算機の全く新しいクラスである。
共有可能なモジュール型プログラムのセットから関連するプログラムを構成することで、データ応答性のある方法で“コード”を行う。
モジュールプログラムを学習し、パターンシフトを厳しく処理し、新しいプログラムが学習されると、古いプログラムを記憶する新しい能力を示す。
論文 参考訳（メタデータ） (2020-09-24T01:39:16Z) - Machine Learning and Computational Mathematics [8.160343645537106]
機械学習がすでにどのような影響を及ぼし、さらに計算数学、科学計算、計算科学に影響を及ぼすかについて論じる。
これらの問題について、最も重要な進展をいくつか紹介する。
私たちの希望は、機械学習と計算数学を統合するのに役立つ視点に物事を組み込むことです。
論文 参考訳（メタデータ） (2020-09-23T23:16:46Z) - Machine Number Sense: A Dataset of Visual Arithmetic Problems for
Abstract and Relational Reasoning [95.18337034090648]
文法モデルを用いて自動生成される視覚的算術問題からなるデータセット、MNS(Machine Number Sense)を提案する。
これらの視覚的算術問題は幾何学的フィギュアの形をしている。
我々は、この視覚的推論タスクのベースラインとして、4つの主要なニューラルネットワークモデルを用いて、MNSデータセットをベンチマークする。
論文 参考訳（メタデータ） (2020-04-25T17:14:58Z) - How the Brain might use Division [0.0]
主に統計によって組織化される神経アーキテクチャは、どうすればいいのかを知っていますか?
ひとつの可能性は、問題をもっと抽象的なものに抽出することだ。
本稿では,問題をシンボル操作の1つに変更すれば,より容易に解答できることを示す。
論文 参考訳（メタデータ） (2020-03-11T14:12:45Z) - Neural Arithmetic Units [84.65228064780744]
ニューラルネットワークは複雑な関数を近似することができるが、実数に対して正確な算術演算を行うのに苦労する。
ニューラルネットワークコンポーネントとして、正確な加算と減算を学習可能なニューラル加算ユニット(NAU)と、ベクトルのサブセットを乗算可能なニューラル乗算ユニット(NMU)がある。
提案したユニットNAUとNMUは、従来のニューラルネットワークユニットと比較して、より一貫して収束し、パラメータを少なくし、より速く学習し、より大きな隠れたサイズに収束し、スパースと意味のある重みを得、負の値と小さな値に外挿することができる。
論文 参考訳（メタデータ） (2020-01-14T19:35:04Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。