論文の概要: Artificial intelligence system based on multi-value classification of
fully connected neural network for construction management
- arxiv url: http://arxiv.org/abs/2206.10604v1
- Date: Sun, 19 Jun 2022 21:10:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 14:07:51.498159
- Title: Artificial intelligence system based on multi-value classification of
fully connected neural network for construction management
- Title（参考訳）: 建設管理のための完全連結ニューラルネットワークの多値分類に基づく人工知能システム
- Authors: Tetyana Honcharenko, Roman Akselrod, Andrii Shpakov, Oleksandr
Khomenko
- Abstract要約: 本研究は,人工知能システムを用いた建設管理スタッフの専門的適応能力を決定することを目的としている。
完全結合フィードフォワードニューラルネットワークアーキテクチャを提案し、データセットを作成するための経験的モデリングを行った。
- 参考スコア（独自算出の注目度）: 19.444636864515726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study is devoted to solving the problem to determine the professional
adaptive capabilities of construction management staff using artificial
intelligence systems.It is proposed Fully Connected Feed-Forward Neural Network
architecture and performed empirical modeling to create a Data Set. Model of
artificial intelligence system allows evaluating the processes in an Fully
Connected Feed-Forward Neural Network during the execution of multi-value
classification of professional areas. A method has been developed for the
training process of a machine learning model, which reflects the internal
connections between the components of an artificial intelligence system that
allow it to learn from training data. To train the neural network, a data set
of 35 input parameters and 29 output parameters was used; the amount of data in
the set is 936 data lines. Neural network training occurred in the proportion
of 10% and 90%, respectively. Results of this study research can be used to
further improve the knowledge and skills necessary for successful professional
realization.
- Abstract（参考訳）: 本研究は,人工知能システムを用いた建設管理スタッフの適応能力を決定するための課題を解決し,完全接続型フィードフォワードニューラルネットワークアーキテクチャを提案し,データセット作成のための経験的モデリングを行った。
人工知能システムのモデルでは、専門分野の多値分類の実行中に、完全連結フィードフォワードニューラルネットワークのプロセスを評価することができる。
人工知能システムのコンポーネント間の内部接続を反映し、トレーニングデータから学習できるようにする機械学習モデルのトレーニングプロセスのための手法が開発されている。
ニューラルネットワークのトレーニングには、35の入力パラメータと29の出力パラメータからなるデータセットが使用された。
ニューラルネットワークトレーニングは,それぞれ10%と90%の割合で実施された。
本研究の成果は、専門的実現に必要な知識とスキルをさらに改善するために利用できる。
関連論文リスト
- 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) - Image classification network enhancement methods based on knowledge
injection [8.885876832491917]
本稿では,多段階階層型ディープラーニングアルゴリズムを提案する。
マルチレベルの階層型ディープラーニングアーキテクチャと、マルチレベルの階層型ディープラーニングフレームワークで構成されている。
実験の結果,提案アルゴリズムはニューラルネットワークの隠れた情報を効果的に説明できることがわかった。
論文 参考訳（メタデータ） (2024-01-09T09:11:41Z) - GreenLightningAI: An Efficient AI System with Decoupled Structural and
Quantitative Knowledge [0.0]
強力な、人気のあるディープニューラルネットワークのトレーニングには、非常に高い経済的および環境的コストが伴う。
この作業は、GreenLightningAIを提案することによって、根本的に異なるアプローチを取る。
新しいAIシステムは、所定のサンプルに対してシステムサブセットを選択するために必要な情報を格納する。
我々は,AIシステムを新しいサンプルで再学習する際に,構造情報を無修正で保持できることを実験的に示す。
論文 参考訳（メタデータ） (2023-12-15T17:34:11Z) - Persistence-based operators in machine learning [62.997667081978825]
永続性に基づくニューラルネットワークレイヤのクラスを導入します。
永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
論文 参考訳（メタデータ） (2022-12-28T18:03:41Z) - Synergistic information supports modality integration and flexible
learning in neural networks solving multiple tasks [107.8565143456161]
本稿では,様々な認知タスクを行う単純な人工ニューラルネットワークが採用する情報処理戦略について検討する。
結果は、ニューラルネットワークが複数の多様なタスクを学習するにつれて、シナジーが増加することを示している。
トレーニング中に無作為にニューロンを停止させると、ネットワークの冗長性が増加し、ロバスト性の増加に対応する。
論文 参考訳（メタデータ） (2022-10-06T15:36:27Z) - Automating the Design and Development of Gradient Descent Trained Expert
System Networks [0.0]
従来の研究は、ニューラルネットワークの学習能力とエキスパートシステムの理解性と防御可能なロジックを概念的に組み合わせた、勾配降下訓練されたエキスパートシステムを導入していた。
本稿では,ニューラルネットワークと比較して,この重要な限界を克服する手法を提案する。
具体的には,より大規模で高密度なアプリケーションを必要とするルールファクトネットワークの利用を提案する。
論文 参考訳（メタデータ） (2022-07-04T18:55:10Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Efficient Neural Architecture Search with Performance Prediction [0.0]
ニューラルアーキテクチャ検索を使用して、目前にあるタスクに最適なネットワークアーキテクチャを見つけます。
既存のNASアルゴリズムは、スクラッチから完全にトレーニングすることで、新しいアーキテクチャの適合性を評価する。
サンプルアーキテクチャの評価を高速化するために,エンドツーエンドのオフライン性能予測器を提案する。
論文 参考訳（メタデータ） (2021-08-04T05:44:16Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Multi-fidelity Neural Architecture Search with Knowledge Distillation [69.09782590880367]
ニューラルアーキテクチャ探索のためのベイズ的多重忠実度法 MF-KD を提案する。
知識蒸留は損失関数に追加され、ネットワークが教師ネットワークを模倣することを強制する用語となる。
このような変化した損失関数を持ついくつかのエポックに対するトレーニングは、ロジスティックな損失を持ついくつかのエポックに対するトレーニングよりも、より優れたニューラルアーキテクチャの選択につながることを示す。
論文 参考訳（メタデータ） (2020-06-15T12:32:38Z) - Neural Architecture Search For Fault Diagnosis [6.226564415963648]
ディープラーニングはビッグデータ処理に適しており、エンドツーエンドの故障診断システムを実現する強力な特徴抽出機能を備えている。
ニューラルアーキテクチャサーチ(NAS)は急速に発展しており、ディープラーニングの次の方向性の1つになりつつある。
本稿では,補強学習を用いたNAS法による断層診断手法を提案する。
論文 参考訳（メタデータ） (2020-02-19T04:03:51Z)
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。