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: 処理完了
• 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

• Scalable algorithms for physics-informed neural and graph networks [0.6882042556551611]
  物理インフォームド機械学習(PIML)は、複雑な物理的および生物学的システムをシミュレートするための有望な新しいアプローチとして登場した。 PIMLでは、物理法則を適用し、時空領域のランダムな点で評価することで得られる追加情報から、そのようなネットワークを訓練することができる。 本稿では、主にフィードフォワードニューラルネットワークと自動微分に基づく物理情報ニューラルネットワーク(PINN)を用いて、物理を機械学習に組み込む一般的なトレンドについて概説する。
  論文  参考訳（メタデータ） (2022-05-16T15:46:11Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Graph Neural Networks in IoT: A Survey [9.257834364029547]
  IoT(Internet of Things)ブームは、人々の日常生活のほぼすべての部分に革命をもたらした。 ディープラーニングモデルは、IoTタスクの解決に広く採用されている。 グラフニューラルネットワーク(GNN)は、多くのIoT学習タスクで最先端の結果を達成するために実証されている。
  論文  参考訳（メタデータ） (2022-03-29T22:27:59Z)
• The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
  PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。 これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。 このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。 我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
  論文  参考訳（メタデータ） (2022-02-27T23:12:43Z)
• An Analysis of Complex-Valued CNNs for RF Data-Driven Wireless Device Classification [12.810432378755904]
  最近のディープニューラルネットワークに基づくデバイス分類研究は、複素数値ニューラルネットワーク(CVNN)が実数値ニューラルネットワーク(RVNN)よりも高い分類精度が得られることを示している。 本研究は、実際のLoRaおよびWiFi RFデータセットを用いて、この傾向についてより深く理解する。
  論文  参考訳（メタデータ） (2022-02-20T10:35:20Z)
• 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)
• Spiking Neural Networks -- Part I: Detecting Spatial Patterns [38.518936229794214]
  Spiking Neural Networks(SNN)は生物学的にインスパイアされた機械学習モデルで、バイナリとスパーススパイキング信号をイベント駆動のオンラインな方法で処理する動的ニューラルモデルに基づいている。 SNNは、学習と推論のためのエネルギー効率の良いコプロセッサとして出現しているニューロモルフィックコンピューティングプラットフォーム上で実装することができる。
  論文  参考訳（メタデータ） (2020-10-27T11:37:22Z)
• A Practical Tutorial on Graph Neural Networks [49.919443059032226]
  グラフニューラルネットワーク(GNN)は、人工知能(AI)分野において最近人気が高まっている。 このチュートリアルでは、GNNのパワーとノベルティをAI実践者に公開している。
  論文  参考訳（メタデータ） (2020-10-11T12:36:17Z)
• Exploiting Heterogeneity in Operational Neural Networks by Synaptic Plasticity [87.32169414230822]
  最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。 本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。 高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-08-21T19:03:23Z)
• Neural Complexity Measures [96.06344259626127]
  本稿では,一般化を予測するメタラーニングフレームワークであるNeural Complexity(NC)を提案する。 我々のモデルは、データ駆動方式で、多くの異種タスクとの相互作用を通じてスカラー複雑性尺度を学習する。
  論文  参考訳（メタデータ） (2020-08-07T02:12:10Z)

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。