Fugu-MT 論文翻訳(概要): Robustness Analysis of Classification Using Recurrent Neural Networks with Perturbed Sequential Input

論文の概要: Robustness Analysis of Classification Using Recurrent Neural Networks with Perturbed Sequential Input

arxiv url: http://arxiv.org/abs/2203.05403v1
Date: Thu, 10 Mar 2022 14:57:40 GMT
ステータス: 処理完了
システム内更新日: 2022-03-11 19:21:55.224077
Title: Robustness Analysis of Classification Using Recurrent Neural Networks with Perturbed Sequential Input
Title（参考訳）: 逐次入力を含む繰り返しニューラルネットワークを用いた分類のロバスト性解析
Authors: Guangyi Liu, Arash Amini, Martin Takac, and Nader Motee
Abstract要約: 分類タスクを実行するために訓練された安定したリカレントニューラルネットワーク(RNN)に対して、トレーニング可能な重み行列の関数として明示的境界を定量化する。分類タスクの完全精度を保証しつつ、許容可能な最大摂動を徹底的に分析し、特徴付ける。
参考スコア（独自算出の注目度）: 17.856384200209806
License: http://creativecommons.org/licenses/by/4.0/
Abstract: For a given stable recurrent neural network (RNN) that is trained to perform a classification task using sequential inputs, we quantify explicit robustness bounds as a function of trainable weight matrices. The sequential inputs can be perturbed in various ways, e.g., streaming images can be deformed due to robot motion or imperfect camera lens. Using the notion of the Voronoi diagram and Lipschitz properties of stable RNNs, we provide a thorough analysis and characterize the maximum allowable perturbations while guaranteeing the full accuracy of the classification task. We illustrate and validate our theoretical results using a map dataset with clouds as well as the MNIST dataset.
Abstract（参考訳）: 逐次入力を用いた分類タスクを行うように訓練された所定の安定なリカレントニューラルネットワーク(rnn)に対して、トレーニング可能な重み行列の関数として明示的なロバスト性境界を定量化する。シーケンシャル入力は、例えば、ロボットの動きや不完全なカメラレンズによって、ストリーミング画像が変形するなど、様々な方法で摂動することができる。安定RNNのボロノイ図形とリプシッツ特性の概念を用いて、分類タスクの完全精度を保証しながら、最大許容摂動を徹底的に解析し特徴付ける。雲を含む地図データセットとMNISTデータセットを用いて,理論結果の検証と検証を行う。

関連論文リスト

Learning local discrete features in explainable-by-design convolutional neural networks [0.0]
本稿では,側方抑制機構に基づくCNN(Design-by-Design Convolutional Neural Network)を提案する。このモデルは、残留または高密度のスキップ接続を持つ高精度CNNである予測器で構成されている。観測を収集し,直接確率を計算することにより,隣接するレベルのモチーフ間の因果関係を説明することができる。
論文参考訳（メタデータ） (2024-10-31T18:39:41Z)
Use of Parallel Explanatory Models to Enhance Transparency of Neural Network Configurations for Cell Degradation Detection [18.214293024118145]
我々は,ニューラルネットワークの内部動作を照らし,理解するための並列モデルを構築している。 RNNの各層が入力分布を変換して検出精度を高める方法を示す。同時に、精度の向上を制限するために作用する副作用も発見する。
論文参考訳（メタデータ） (2024-04-17T12:22:54Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。よりスムーズな関数との補間により、より一般化できることを示す。
論文参考訳（メタデータ） (2023-05-30T19:37:44Z)
Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文参考訳（メタデータ） (2022-10-17T06:29:07Z)
Deterministic Tensor Network Classifiers [0.0]
テンソルネットワークは決定論的に初期化され、短期中規模量子(NISQ)デバイスに実装される可能性がある。特徴抽出は、$log N_textpixels$ qubitsで振幅符号化されたイメージを直接組み合わせて圧縮する。性能は、構造によらず任意の分類器の予測に適用できる決定論的手法であるQuantum Stackingを用いて改善される。
論文参考訳（メタデータ） (2022-05-19T18:00:02Z)
Training Stable Graph Neural Networks Through Constrained Learning [116.03137405192356]
グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。 GNNは、グラフフィルタから受け継いだ特性である、基礎となるグラフの様々な種類の摂動に対して安定である。本稿では,GNNの安定条件に制約を課すことにより,新たな制約付き学習手法を提案する。
論文参考訳（メタデータ） (2021-10-07T15:54:42Z)
Path classification by stochastic linear recurrent neural networks [2.5499055723658097]
トレーニングや分類作業に利用されるユニークな情報として,RNNが供給される経路の部分的なシグネチャを保持することを示す。これらのRNNは訓練が容易で堅牢であり、これらの観測を合成データと実データの両方で数値実験で裏付けるものである、と我々は主張する。
論文参考訳（メタデータ） (2021-08-06T12:59:12Z)
Implementing a foveal-pit inspired filter in a Spiking Convolutional Neural Network: a preliminary study [0.0]
我々は,網膜卵管刺激によるガウスフィルタとランク順符号化の差異を取り入れたスポーキング畳み込みニューラルネットワーク(SCNN)を提示した。このモデルは、Nengoライブラリーで実装されているように、スパイキングニューロンで動作するように適応されたバックプロパゲーションアルゴリズムの変種を用いて訓練される。ネットワークは最大90%の精度で達成され、損失はクロスエントロピー関数を用いて計算される。
論文参考訳（メタデータ） (2021-05-29T15:28:30Z)
Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-02-07T14:19:07Z)
Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。 Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文参考訳（メタデータ） (2020-04-20T18:12:56Z)

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。