論文の概要: A Survey of Complex-Valued Neural Networks

• arxiv url: http://arxiv.org/abs/2101.12249v1
• Date: Thu, 28 Jan 2021 19:40:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-02-02 00:05:16.355021
• Title: A Survey of Complex-Valued Neural Networks
• Title（参考訳）: 複雑値ニューラルネットワークに関する研究
• Authors: Joshua Bassey, Lijun Qian, Xianfang Li
• Abstract要約: 人工知能ニューラルネットワーク(ANN)ベースの機械学習モデルは、コンピュータビジョン、信号処理、無線通信など多くの分野に広く応用されている。 ANNや機械学習フレームワークの現在の実装のほとんどは、複素数ではなく実数を使っている。 複雑な数値を使用してANNを構築することへの関心が高まっており、実際の価値を持つニューラルネットワークよりも、いわゆるCVNN(complex-valued Neural Network)の潜在的なアドバンテージを探っている。
• 参考スコア（独自算出の注目度）: 4.211128681972148
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial neural networks (ANNs) based machine learning models and especially deep learning models have been widely applied in computer vision, signal processing, wireless communications, and many other domains, where complex numbers occur either naturally or by design. However, most of the current implementations of ANNs and machine learning frameworks are using real numbers rather than complex numbers. There are growing interests in building ANNs using complex numbers, and exploring the potential advantages of the so-called complex-valued neural networks (CVNNs) over their real-valued counterparts. In this paper, we discuss the recent development of CVNNs by performing a survey of the works on CVNNs in the literature. Specifically, a detailed review of various CVNNs in terms of activation function, learning and optimization, input and output representations, and their applications in tasks such as signal processing and computer vision are provided, followed by a discussion on some pertinent challenges and future research directions.
• Abstract（参考訳）: 人工知能ニューラルネットワーク(ANN)ベースの機械学習モデル、特にディープラーニングモデルは、コンピュータビジョン、信号処理、無線通信など、複雑な数値が自然あるいは設計によって発生する多くの分野に広く適用されている。 しかし、現在のANNと機械学習フレームワークの実装のほとんどは、複素数ではなく実数を使っている。 複素数を用いてANNを構築することに関心が高まり、現実値のそれに対するいわゆる複素値ニューラルネットワーク(CVNN)の潜在的なアドバンテージを探求する。 本稿では,CVNNの最近の発展について,文献におけるCVNNに関する研究を実践して論じる。 具体的には、アクティベーション機能、学習と最適化、入力と出力の表現、および信号処理やコンピュータビジョンなどのタスクにおけるそれらの応用に関する詳細なレビューを行い、それに続くいくつかの課題と今後の研究方向性について論じる。

関連論文リスト

• Comprehensive Survey of Complex-Valued Neural Networks: Insights into Backpropagation and Activation Functions [0.0]
  現在のANNフレームワークにおける実数実装の普及にもかかわらず、複素数を利用するANNの開発への関心が高まっている。 本稿では,複雑評価ニューラルネットワーク(CVNN)の最近の進歩について述べる。 複雑な入力、重み、AF、出力を含むニューラルネットワークのトレーニングを可能にする、バックプロパゲーションアルゴリズムの複雑な領域への拡張を探索する。
  論文  参考訳（メタデータ） (2024-07-27T13:47:16Z)
• Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
  本稿では,重み空間学習におけるSANEアプローチを紹介する。 ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
  論文  参考訳（メタデータ） (2024-06-14T13:12:07Z)
• Complex-valued Neural Networks -- Theory and Analysis [0.0]
  この研究はCVNNの異なる構造と分類に対処する。 複素アクティベーション関数の背景にある理論、複素微分可能性に関する意味、CVNN出力層に対する特別なアクティベーションについて述べる。 本研究の目的は,CVNNのダイナミクスと最近の発展を理解することである。
  論文  参考訳（メタデータ） (2023-12-11T03:24:26Z)
• On the Computational Complexities of Complex-valued Neural Networks [0.0]
  複素数値ニューラルネットワーク(CVNN)は、複素領域データのデジタル信号処理に使用される非線形フィルタである。 本稿では,CVNNの量的および計算的複雑さについて述べる。
  論文  参考訳（メタデータ） (2023-10-19T18:14:04Z)
• Neural Architecture Search for Dense Prediction Tasks in Computer Vision [74.9839082859151]
  ディープラーニングは、ニューラルネットワークアーキテクチャエンジニアリングに対する需要の高まりにつながっている。 ニューラルネットワーク検索(NAS)は、手動ではなく、データ駆動方式でニューラルネットワークアーキテクチャを自動設計することを目的としている。 NASはコンピュータビジョンの幅広い問題に適用されている。
  論文  参考訳（メタデータ） (2022-02-15T08:06:50Z)
• exploRNN: Understanding Recurrent Neural Networks through Visual Exploration [6.006493809079212]
  リカレントニューラルネットワーク(RNN)は、シーケンシャルデータを処理することができる。 本稿では,RNNのための対話型学習可視化である ExploRNN を提案する。 LSTM細胞内のデータフローの詳細な検査を可能にするとともに、粗いレベルでRNNのトレーニングプロセスの概要を提供します。
  論文  参考訳（メタデータ） (2020-12-09T15:06:01Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)
• Spiking Neural Networks Hardware Implementations and Challenges: a Survey [53.429871539789445]
  スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。 スパイキングニューラルネットワークのハードウェア実装の現状について述べる。 本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
  論文  参考訳（メタデータ） (2020-05-04T13:24:00Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Constructing Deep Neural Networks with a Priori Knowledge of Wireless Tasks [37.060397377445504]
  無線タスクに広く存在する2種類の置換不変性は、モデルパラメータの数を減らすために利用することができる。 可変DNN (permutation invariant DNN) と呼ばれる特性を満たす入出力関係を持つDNNの特殊構造を求める。 予測資源配分と干渉調整を例として,教師なし・教師なし学習による最適政策学習にPINNをいかに活用できるかを示す。
  論文  参考訳（メタデータ） (2020-01-29T08:54:42Z)

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。