Fugu-MT 論文翻訳(概要): The Projected Belief Network Classfier : both Generative and Discriminative

論文の概要: The Projected Belief Network Classfier : both Generative and Discriminative

arxiv url: http://arxiv.org/abs/2008.06434v1
Date: Fri, 14 Aug 2020 16:00:54 GMT
ステータス: 処理完了
システム内更新日: 2022-10-30 16:53:24.402802
Title: The Projected Belief Network Classfier : both Generative and Discriminative
Title（参考訳）: 投影的信念ネットワーククラスファイアー : 生成的・判別的
Authors: Paul M Baggenstoss
Abstract要約: 射影信頼ネットワーク (PBN) は、抽出可能な可能性関数を持つ層状生成ネットワークである。本稿では,完全識別性と完全生成性を有する畳み込み型PBNを構築した。
参考スコア（独自算出の注目度）: 13.554038901140949
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The projected belief network (PBN) is a layered generative network with tractable likelihood function, and is based on a feed-forward neural network (FF-NN). It can therefore share an embodiment with a discriminative classifier and can inherit the best qualities of both types of network. In this paper, a convolutional PBN is constructed that is both fully discriminative and fully generative and is tested on spectrograms of spoken commands. It is shown that the network displays excellent qualities from either the discriminative or generative viewpoint. Random data synthesis and visible data reconstruction from low-dimensional hidden variables are shown, while classifier performance approaches that of a regularized discriminative network. Combination with a conventional discriminative CNN is also demonstrated.
Abstract（参考訳）: 予測信頼ネットワーク(PBN)は、求心性のある層状生成ネットワークであり、フィードフォワードニューラルネットワーク(FF-NN)に基づいている。したがって、識別分類器と具体化を共有でき、両方のタイプのネットワークの最良の性質を継承することができる。本稿では,完全識別と完全生成の両方が可能な畳み込み型PBNを構築し,音声コマンドのスペクトル上で検証する。ネットワークは差別的あるいは生成的な視点から優れた品質を示す。低次元隠れ変数からのランダムデータ合成と可視データ再構成を示し、分類器の性能は正規化判別ネットワークにアプローチする。従来の識別型CNNと組み合わせることも示す。

関連論文リスト

Coding schemes in neural networks learning classification tasks [52.22978725954347]
完全接続型広義ニューラルネットワーク学習タスクについて検討する。ネットワークが強力なデータ依存機能を取得することを示す。驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
論文参考訳（メタデータ） (2024-06-24T14:50:05Z)
Projected Belief Networks With Discriminative Alignment for Acoustic Event Classification: Rivaling State of the Art CNNs [6.062751776009752]
プロジェクテッド信頼ネットワーク(PBN)は、フィードフォワードニューラルネットワーク(FFNN)に基づく抽出可能な可能性関数を持つ生成ネットワークである。 PBNは、前向きに動作するFFNNと後向きに動作する生成ネットワークの2つのネットワークである。本稿では,PBN,PBN-DA,PBN-DA-HMMを包括的に扱う。
論文参考訳（メタデータ） (2024-01-20T10:27:04Z)
Towards Rigorous Understanding of Neural Networks via Semantics-preserving Transformations [0.0]
本稿では,Rectifier Neural Networksの正確かつグローバルな検証と説明に対するアプローチを提案する。我々のアプローチの鍵は、意味論的に等価なTyped Affine Decision Structureの構築を可能にする、これらのネットワークのシンボリック実行である。
論文参考訳（メタデータ） (2023-01-19T11:35:07Z)
Multi-Fake Evolutionary Generative Adversarial Networks for Imbalance Hyperspectral Image Classification [7.9067022260826265]
本稿では,不均衡なハイパースペクトル画像分類を扱うために,新しいマルチフェイク進化生成逆数ネットワークを提案する。ジェネレータネットワークの分類性能を向上させるため、ジェネレータネットワークでは異なる生成目標損失が考慮される。提案手法の有効性を2つの超スペクトル空間スペクトルデータセットを用いて検証した。
論文参考訳（メタデータ） (2021-11-07T07:29:24Z)
Provable Generalization of SGD-trained Neural Networks of Any Width in the Presence of Adversarial Label Noise [85.59576523297568]
勾配降下法により学習した任意の幅の1層リークReLUネットワークを考察する。 sgdは,分布上の最良半空間に匹敵する分類精度を持つニューラルネットワークを生成できることを実証する。
論文参考訳（メタデータ） (2021-01-04T18:32:49Z)
Provably Training Neural Network Classifiers under Fairness Constraints [70.64045590577318]
過パラメータのニューラルネットワークが制約を満たしていることを示す。公平なニューラルネットワーク分類器を構築する上で重要な要素は、ニューラルネットワークの非応答解析を確立することである。
論文参考訳（メタデータ） (2020-12-30T18:46:50Z)
Discriminability of Single-Layer Graph Neural Networks [172.5042368548269]
グラフニューラルネットワーク(GNN)は、幅広い問題について有望な性能を示した。本稿では, 識別可能性の特性に着目し, 安定グラフフィルタバンクへのポイントワイド非線形性の適用により, 高固有値コンテンツに対する識別能力が向上する条件を確立する。
論文参考訳（メタデータ） (2020-10-17T18:52:34Z)
Identity-Based Patterns in Deep Convolutional Networks: Generative Adversarial Phonology and Reduplication [0.0]
我々は、CNNが情報データを生成するという要求から有意義な表現を学習する、ciwGANアーキテクチャのBeguvsを使用している。そこで本研究では,4つの生成テストに基づいて学習したWug-test CNNの手法を提案する。
論文参考訳（メタデータ） (2020-09-13T23:12:49Z)
ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文参考訳（メタデータ） (2020-06-27T13:50:20Z)
Neural Anisotropy Directions [63.627760598441796]
我々は、アーキテクチャの方向性誘導バイアスをカプセル化するベクトルとして、神経異方性方向(NAD)を定義する。 CIFAR-10データセットでは、NADはCNNが異なるクラス間で識別するために使用する特徴を特徴付ける。
論文参考訳（メタデータ） (2020-06-17T08:36:28Z)
Network Comparison with Interpretable Contrastive Network Representation Learning [44.145644586950574]
コントラストネットワーク表現学習(cNRL)と呼ばれる新しい分析手法を導入する。 cNRLは、ネットワークノードを低次元の表現に埋め込み、あるネットワークが他に比べてユニークであることを明らかにする。複数のネットワークモデルと実世界のデータセットとのネットワーク比較におけるi-cNRLの有効性を示す。
論文参考訳（メタデータ） (2020-05-25T21:46:59Z)

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。