Fugu-MT 論文翻訳(概要): Computational Morphology with Neural Network Approaches

論文の概要: Computational Morphology with Neural Network Approaches

arxiv url: http://arxiv.org/abs/2105.09404v1
Date: Wed, 19 May 2021 21:17:53 GMT
ステータス: 処理完了
システム内更新日: 2021-05-21 13:39:16.475759
Title: Computational Morphology with Neural Network Approaches
Title（参考訳）: ニューラルネットワークを用いた計算形態学
Authors: Ling Liu
Abstract要約: ニューラルネットワークのアプローチは計算形態学にも適用されており、大きな成功を収めている。本稿では、計算形態学の簡単な紹介と、ニューラルネットワークによる計算形態学に関する最近の研究のレビューから始める。計算形態学へのニューラルネットワークアプローチの利点と問題点を分析し、今後の研究や研究で探求すべき方向性を指摘する。
参考スコア（独自算出の注目度）: 5.913574957971709
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Neural network approaches have been applied to computational morphology with great success, improving the performance of most tasks by a large margin and providing new perspectives for modeling. This paper starts with a brief introduction to computational morphology, followed by a review of recent work on computational morphology with neural network approaches, to provide an overview of the area. In the end, we will analyze the advantages and problems of neural network approaches to computational morphology, and point out some directions to be explored by future research and study.
Abstract（参考訳）: ニューラルネットワークアプローチは計算形態学に多大な成功を収め、ほとんどのタスクのパフォーマンスを大きなマージンで改善し、モデリングの新しい視点を提供する。本稿では,計算形態学を概説し,ニューラルネットワークを用いた計算形態学の最近の研究を概観し,その領域の概観について述べる。最後に、計算形態学へのニューラルネットワークアプローチの利点と課題を分析し、今後の研究と研究で検討すべきいくつかの方向を指摘する。

関連論文リスト

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)
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)
Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文参考訳（メタデータ） (2024-02-20T15:23:24Z)
Training morphological neural networks with gradient descent: some theoretical insights [0.40792653193642503]
形態素ネットワークに適用された微分に基づくアプローチとバックプロパゲーションの可能性と限界について検討する。我々は、特に学習率に関する洞察と最初の理論的ガイドラインを提供する。
論文参考訳（メタデータ） (2024-02-05T12:11:15Z)
Automated Natural Language Explanation of Deep Visual Neurons with Large Models [43.178568768100305]
本稿では,大きな基礎モデルを持つニューロンの意味的説明を生成するための,新しいポストホックフレームワークを提案する。我々のフレームワークは、様々なモデルアーキテクチャやデータセット、自動化されたスケーラブルなニューロン解釈と互換性があるように設計されています。
論文参考訳（メタデータ） (2023-10-16T17:04:51Z)
When Deep Learning Meets Polyhedral Theory: A Survey [6.899761345257773]
過去10年間で、ディープ・ニューラル・ラーニングの顕著な精度のおかげで、ディープは予測モデリングの一般的な方法論となった。一方、ニューラルネットワークの構造はより単純で線形な関数に収束した。
論文参考訳（メタデータ） (2023-04-29T11:46:53Z)
Neural network models [0.0]
この研究は、ニューラルネットワークに関連する数学モデルの現在のコレクションを示す。認知能力の選択を達成するために、構造と力学を拡張した新しいファミリーを提案する。
論文参考訳（メタデータ） (2023-01-08T05:52:13Z)
Binary Multi Channel Morphological Neural Network [5.551756485554158]
本稿では,畳み込みニューラルネットワーク上に構築されたBiMoNNを紹介する。ネットワーク全体をバイナライズするために,BiMoNNとモルフォロジー演算子との等価性を実証する。これらは古典的形態学演算子を学習し、医用画像アプリケーションで有望な結果を示すことができる。
論文参考訳（メタデータ） (2022-04-19T09:26:11Z)
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)
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)
Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文参考訳（メタデータ） (2020-03-31T16:47:20Z)

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。