論文の概要: Proposal and Verification of Novel Machine Learning on Classification Problems

• arxiv url: http://arxiv.org/abs/2207.04884v1
• Date: Thu, 23 Jun 2022 06:47:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-17 17:08:56.822317
• Title: Proposal and Verification of Novel Machine Learning on Classification Problems
• Title（参考訳）: 分類問題における新しい機械学習の提案と検証
• Authors: Chikako Dozono, Mina Aragaki, Hana Hebishima, Shin-ichi Inage
• Abstract要約: 本稿では,分類問題に対する新しい機械学習を提案する。 我々は脳内のニューロンの作用、特に興奮性シナプスと抑制性シナプス間のEPSP/IPSPキャンセルに焦点を当てた。 提案手法は,アイリスの花種分類問題,中古車のランク分類問題,アワビのリング分類問題に適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper aims at proposing a new machine learning for classification problems. The classification problem has a wide range of applications, and there are many approaches such as decision trees, neural networks, and Bayesian nets. In this paper, we focus on the action of neurons in the brain, especially the EPSP/IPSP cancellation between excitatory and inhibitory synapses, and propose a Machine Learning that does not belong to any conventional method. The feature is to consider one neuron and give it a multivariable Xj (j = 1, 2,.) and its function value F(Xj) as data to the input layer. The multivariable input layer and processing neuron are linked by two lines to each variable node. One line is called an EPSP edge, and the other is called an IPSP edge, and a parameter {\Delta}j common to each edge is introduced. The processing neuron is divided back and forth into two parts, and at the front side, a pulse having a width 2{\Delta}j and a height 1 is defined around an input X . The latter half of the processing neuron defines a pulse having a width 2{\Delta}j centered on the input Xj and a height F(Xj) based on a value obtained from the input layer of F(Xj). This information is defined as belonging to group i. In other words, the group i has a width of 2{\Delta}j centered on the input Xj, is defined in a region of height F(Xj), and all outputs of xi within the variable range are F(Xi). This group is learned and stored by a few minutes of the Teaching signals, and the output of the TEST signals is predicted by which group the TEST signals belongs to. The parameter {\Delta}j is optimized so that the accuracy of the prediction is maximized. The proposed method was applied to the flower species classification problem of Iris, the rank classification problem of used cars, and the ring classification problem of abalone, and the calculation was compared with the neural networks.
• Abstract（参考訳）: 本稿では,分類問題に対する新しい機械学習を提案する。 分類問題には幅広い応用があり、決定木、ニューラルネットワーク、ベイズネットなど多くのアプローチがある。 本稿では,脳内のニューロンの作用,特に興奮性シナプスと抑制性シナプス間のEPSP/IPSPキャンセルに着目し,従来の手法に属さない機械学習を提案する。 この特徴は1つのニューロンを考慮し、入力層へのデータとして多変数Xj(j = 1, 2,.)とその関数値F(Xj)を与えることである。 多変数入力層と処理ニューロンは、各可変ノードに2つの線でリンクされる。 1行をepspエッジと呼び、もう1行をipspエッジと呼び、各エッジに共通するパラメータ {\delta}jを導入する。 処理ニューロンは、前後に2つの部分に分割され、前面には、幅2{\Delta}jと高さ1を有するパルスが入力Xの周囲に定義される。 処理ニューロンの後半は、F(Xj)の入力層から得られる値に基づいて、入力Xjを中心とする幅2{\Delta}jと高さF(Xj)とを有するパルスを定義する。 この情報はグループiに属するものと定義されている。 言い換えると、入力 xj を中心とする 2{\delta}j の幅を持つ群 i は高さ f(xj) の領域で定義され、変数範囲内の xi のすべての出力は f(xi) である。 このグループは、指導信号の数分で学習され、記憶され、TEST信号の出力は、TEST信号が属するグループによって予測される。 パラメータ {\Delta}j は、予測の精度が最大になるように最適化される。 提案手法は,アイリスの花種分類問題,中古車のランク分類問題,アワビの環分類問題に適用し,ニューラルネットワークと比較した。

関連論文リスト

• A Nonoverlapping Domain Decomposition Method for Extreme Learning Machines: Elliptic Problems [0.0]
  エクストリーム・ラーニング・マシン(ELM)は、単一層フィードフォワードニューラルネットワークを用いて偏微分方程式(PDE)を解く手法である。 本稿では,EMMのトレーニング時間を短縮するだけでなく,並列計算にも適する非重複領域分解法(DDM)を提案する。
  論文  参考訳（メタデータ） (2024-06-22T23:25:54Z)
• Enhancing Edge Intelligence with Highly Discriminant LNT Features [34.68386939969883]
  我々は、入力特徴の適切な線形結合から、第1モジュールで得られるxで表される新しい識別特徴を導出する。 最小二乗正規変換(LNT)に基づく高度に識別された相補的特徴を生成する新しい教師付き学習法を提案する。 実験の結果,これらの特徴により分類性能が向上できることが示唆された。
  論文  参考訳（メタデータ） (2023-12-19T09:17:35Z)
• Bounding the Width of Neural Networks via Coupled Initialization -- A Worst Case Analysis [121.9821494461427]
  2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。 また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
  論文  参考訳（メタデータ） (2022-06-26T06:51:31Z)
• On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
  我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。 我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
  論文  参考訳（メタデータ） (2022-05-18T16:57:10Z)
• Graph-adaptive Rectified Linear Unit for Graph Neural Networks [64.92221119723048]
  グラフニューラルネットワーク(GNN)は、従来の畳み込みを非ユークリッドデータでの学習に拡張することで、目覚ましい成功を収めた。 本稿では,周辺情報を利用した新しいパラメトリックアクティベーション機能であるグラフ適応整流線形ユニット(GRELU)を提案する。 我々は,GNNのバックボーンと様々な下流タスクによって,プラグアンドプレイGRELU法が効率的かつ効果的であることを示す包括的実験を行った。
  論文  参考訳（メタデータ） (2022-02-13T10:54:59Z)
• Understanding Interlocking Dynamics of Cooperative Rationalization [90.6863969334526]
  選択的合理化(Selective rationalization)は、ニューラルネットワークの出力を予測するのに十分な入力の小さなサブセットを見つけることによって、複雑なニューラルネットワークの予測を説明する。 このような合理化パラダイムでは,モデルインターロックという大きな問題が浮かび上がっている。 A2Rと呼ばれる新しい合理化フレームワークを提案し、アーキテクチャに第3のコンポーネントを導入し、選択とは対照的にソフトアテンションによって駆動される予測器を提案する。
  論文  参考訳（メタデータ） (2021-10-26T17:39:18Z)
• The Separation Capacity of Random Neural Networks [78.25060223808936]
  標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。 我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
  論文  参考訳（メタデータ） (2021-07-31T10:25:26Z)
• Input Invex Neural Network [11.072628804821083]
  接続された決定境界は、イメージセグメンテーション、クラスタリング、アルファシェープ、nD空間内の領域の定義など、いくつかのタスクで有用である。 本稿では,ニューラルネットワークを用いた凸関数構築のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-06-16T12:48:55Z)
• Neural Random Projection: From the Initial Task To the Input Similarity Problem [0.0]
  ニューラルネットワークを用いた入力データの類似性を評価するために,暗黙データ表現のための新しい手法を提案する。 提案手法は初期タスクを明示的に考慮し,ベクトル表現のサイズを大幅に削減する。 実験の結果,提案手法は入力類似性タスクにおける競合的な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-10-09T13:20:24Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• Inference in Multi-Layer Networks with Matrix-Valued Unknowns [32.635971570510755]
  出力の観測から多層ニューラルネットワークの入力変数と隠れ変数を推定する問題を考察する。 MAPおよびMMSE推論のための統一近似アルゴリズムを提案する。 提案したMulti-Layer Matrix VAMP (ML-Mat-VAMP) アルゴリズムの性能は, あるランダムな大システム制限下で正確に予測できることが示されている。
  論文  参考訳（メタデータ） (2020-01-26T04:00:24Z)

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。