Fugu-MT 論文翻訳(概要): Deep Autoencoder Model Construction Based on Pytorch

論文の概要: Deep Autoencoder Model Construction Based on Pytorch

arxiv url: http://arxiv.org/abs/2208.08231v1
Date: Wed, 17 Aug 2022 11:19:05 GMT
ステータス: 処理完了
システム内更新日: 2022-08-18 13:09:41.836309
Title: Deep Autoencoder Model Construction Based on Pytorch
Title（参考訳）: Pytorchに基づくディープオートエンコーダモデルの構築
Authors: Junan Pan, Zhihao Zhao
Abstract要約: 本稿では、Pytorchをオートエンコーダに導入し、特定の確率で隠蔽層ニューロンに接続された入力重みをランダムに除去する。新しいアルゴリズムは、モデルのオーバーフィッティングの問題を効果的に解決し、画像分類の精度を向上させる。
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 proposes a deep autoencoder model based on Pytorch. This algorithm introduces the idea of Pytorch into the auto-encoder, and randomly clears the input weights connected to the hidden layer neurons with a certain probability, so as to achieve the effect of sparse network, which is similar to the starting point of the sparse auto-encoder. The new algorithm effectively solves the problem of possible overfitting of the model and improves the accuracy of image classification. Finally, the experiment is carried out, and the experimental results are compared with ELM, RELM, AE, SAE, DAE.
Abstract（参考訳）: 本稿ではpytorchに基づく深いオートエンコーダモデルを提案する。このアルゴリズムは、Pytorchのアイデアをオートエンコーダに導入し、隠蔽層ニューロンに接続された入力重みを一定の確率でランダムにクリアし、スパースオートエンコーダの開始点に類似したスパースネットワークの効果を達成する。新たなアルゴリズムは,モデルの過剰フィットの問題を効果的に解決し,画像分類の精度を向上させる。最後に実験を行い,実験結果をELM,RELM,AE,SAE,DAEと比較した。

関連論文リスト

Self-Distilled Masked Auto-Encoders are Efficient Video Anomaly Detectors [117.61449210940955]
ビデオフレームレベルで適用された軽量マスク付きオートエンコーダ(AE)に基づく効率的な異常事象検出モデルを提案する。動き勾配に基づく重みトークンへのアプローチを導入し、静的背景シーンから前景オブジェクトへ焦点を移す。トレーニングビデオの強化のために合成異常事象を生成し,マスク付きAEモデルを用いてオリジナルのフレームを共同で再構築する。
論文参考訳（メタデータ） (2023-06-21T06:18:05Z)
PyEPO: A PyTorch-based End-to-End Predict-then-Optimize Library for Linear and Integer Programming [9.764407462807588]
我々はPythonのPyTorchベースのエンドツーエンド予測最適化ライブラリであるPyEPOパッケージを提示する。 PyEPOは、予測対象関数係数を持つ線形および整数プログラミングのための最初の汎用ツールである。
論文参考訳（メタデータ） (2022-06-28T18:33:55Z)
TorchNTK: A Library for Calculation of Neural Tangent Kernels of PyTorch Models [16.30276204466139]
我々は、PyTorchフレームワークでニューラルネットワークモデルの実験的ニューラルネットワークカーネル(NTK)を計算するためのピソンライブラリであるTorchNTKを紹介する。このライブラリの特徴は、ユーザをレイヤワイドNTKコンポーネントに公開し、階層ワイドの計算がよりメモリ効率が高いことを示すことである。
論文参考訳（メタデータ） (2022-05-24T21:27:58Z)
Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文参考訳（メタデータ） (2020-12-07T14:16:14Z)
PyLightcurve-torch: a transit modelling package for deep learning applications in PyTorch [0.0]
我々はPyLightcurveとPyTorchをベースにした新しいオープンソースpythonパッケージを提案する。効率的な計算と外惑星トランジットの自動分化のために調整されている。
論文参考訳（メタデータ） (2020-11-03T22:05:41Z)
AutoPruning for Deep Neural Network with Dynamic Channel Masking [28.018077874687343]
深層ニューラルネットワークのための学習に基づくオートプルーニングアルゴリズムを提案する。まず、各層に対する重みと最良チャネルを目的とする2つの目的の問題を定式化する。次に、最適なチャネル数と重みを同時に導出するために、別の最適化手法を提案する。
論文参考訳（メタデータ） (2020-10-22T20:12:46Z)
Probabilistic Object Classification using CNN ML-MAP layers [0.0]
ネットワークのLogit層で計算された分布に基づくCNN確率的手法を提案する。この新しいアプローチは、SoftMaxと比較して有望なパフォーマンスを示している。
論文参考訳（メタデータ） (2020-05-29T13:34:15Z)
Few-Shot Open-Set Recognition using Meta-Learning [72.15940446408824]
オープンセット認識の問題点を考察する。新しいoPen sEt mEta LEaRning (PEELER)アルゴリズムが導入された。
論文参考訳（メタデータ） (2020-05-27T23:49:26Z)
DHP: Differentiable Meta Pruning via HyperNetworks [158.69345612783198]
本稿では,ネットワークの自動プルーニングのためのハイパーネットによる識別可能なプルーニング手法を提案する。遅延ベクトルは、バックボーンネットワーク内の畳み込み層の出力チャネルを制御し、レイヤのプルーニングのハンドルとして機能する。画像分類、単一画像超解像、復調のための様々なネットワークで実験が行われた。
論文参考訳（メタデータ） (2020-03-30T17:59:18Z)
Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できるこのモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文参考訳（メタデータ） (2020-03-13T13:11:35Z)
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。