論文の概要: BraidNet: procedural generation of neural networks for image
classification problems using braid theory
- arxiv url: http://arxiv.org/abs/2104.10010v1
- Date: Tue, 20 Apr 2021 14:40:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-21 13:44:48.182206
- Title: BraidNet: procedural generation of neural networks for image
classification problems using braid theory
- Title（参考訳）: braidnet: braid理論を用いた画像分類問題に対するニューラルネットワークの手続き的生成
- Authors: Olga Lukyanova, Oleg Nikitin, Alex Kunin
- Abstract要約: 本稿では,情報理論とブレイド理論を組み合わせたニューラルネットワークの手続き的最適化手法を提案する。
ブレイドストランド間の交点と単純化されたネットワークを用いて実装した論文で研究したネットワークは、多クラス画像分類の様々な問題を解決するために使用される。
シミュレーションの結果,braidnetは学習速度と分類精度において比較優位であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this article, we propose the approach to procedural optimization of a
neural network, based on the combination of information theory and braid
theory. The network studied in the article implemented with the intersections
between the braid strands, as well as simplified networks (a network with
strands without intersections and a simple convolutional deep neural network),
are used to solve various problems of multiclass image classification that
allow us to analyze the comparative effectiveness of the proposed architecture.
The simulation results showed BraidNet's comparative advantage in learning
speed and classification accuracy.
- Abstract（参考訳）: 本稿では,情報理論とブレイド理論の組み合わせに基づいて,ニューラルネットワークの手続き最適化手法を提案する。
この論文で研究されているネットワークは、ブレイドストランド間の交差と簡易ネットワーク(交差のないストランドと単純な畳み込み型ディープニューラルネットワークを持つネットワーク)と共に実装され、提案アーキテクチャの比較効果を解析できるマルチクラス画像分類の様々な問題を解決するために使用される。
シミュレーションの結果,braidnetは学習速度と分類精度において比較優位であった。
関連論文リスト
- Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-03-18T18:01:01Z) - Braid-based architecture search [0.0]
本稿では、ニューラルネットワークのグラフ構造記述に応用されたブレイド理論の基礎について述べる。
ニューラルネットワーク層間のブレイド構造を用いて、様々なトポロジのネットワークを構築する方法を示す。
論文 参考訳（メタデータ） (2022-07-08T20:44:57Z) - The Principles of Deep Learning Theory [19.33681537640272]
この本は、実践的妥当性の深いニューラルネットワークを理解するための効果的な理論アプローチを開発する。
これらのネットワークがトレーニングから非自明な表現を効果的に学習する方法について説明する。
トレーニングネットワークのアンサンブルの有効モデル複雑性を,奥行き比が支配していることを示す。
論文 参考訳（メタデータ） (2021-06-18T15:00:00Z) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳（メタデータ） (2021-05-27T12:27:24Z) - Local Critic Training for Model-Parallel Learning of Deep Neural
Networks [94.69202357137452]
そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。
提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。
また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
論文 参考訳（メタデータ） (2021-02-03T09:30:45Z) - 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) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Topological Insights into Sparse Neural Networks [16.515620374178535]
本稿では,グラフ理論の観点から,スパースニューラルネットワークトポロジの理解と比較を行うアプローチを提案する。
まず、異なるスパースニューラルネットワーク間の距離を測定するために、NNSTD(Neural Network Sparse Topology Distance)を提案する。
適応的なスパース接続は、高密度モデルよりも優れた非常に異なるトポロジを持つスパースサブネットワークを常に顕在化することができることを示す。
論文 参考訳（メタデータ） (2020-06-24T22:27:21Z) - MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。
グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。
確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
論文 参考訳（メタデータ） (2020-01-28T18:25:15Z)
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。