論文の概要: Analytical Calculation of Weights Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2505.21557v1
• Date: Mon, 26 May 2025 19:17:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.15979
• Title: Analytical Calculation of Weights Convolutional Neural Network
• Title（参考訳）: 重み畳み込みニューラルネットワークの解析計算
• Authors: Polad Geidarov,
• Abstract要約: 本稿では,畳み込みニューラルネットワーク(CNN)の重みと閾値を,標準的な訓練手順を使わずに解析的に計算するアルゴリズムを提案する。 このアルゴリズムは、MNISTデータセットから選ばれた10の画像に基づいて、CNNパラメータを決定できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an algorithm for analytically calculating the weights and thresholds of convolutional neural networks (CNNs) without using standard training procedures. The algorithm enables the determination of CNN parameters based on just 10 selected images from the MNIST dataset, each representing a digit from 0 to 9. As part of the method, the number of channels in CNN layers is also derived analytically. A software module was implemented in C++ Builder, and a series of experiments were conducted using the MNIST dataset. Results demonstrate that the analytically computed CNN can recognize over half of 1000 handwritten digit images without any training, achieving inference in fractions of a second. These findings suggest that CNNs can be constructed and applied directly for classification tasks without training, using purely analytical computation of weights.
• Abstract（参考訳）: 本稿では,畳み込みニューラルネットワーク(CNN)の重みと閾値を,標準的な訓練手順を使わずに解析的に計算するアルゴリズムを提案する。 このアルゴリズムは、MNISTデータセットから選ばれた10の画像に基づいて、それぞれ0から9までの桁を表すCNNパラメータを決定することができる。 この手法の一部として、CNN層内のチャネル数も解析的に導出される。 ソフトウェアモジュールはC++ Builderで実装され、MNISTデータセットを使用して一連の実験が行われた。 その結果,解析計算したCNNは,1000文字の桁画像の半分以上をトレーニングなしで認識し,1秒の間隔で推測できることがわかった。 これらの結果から,重みの純粋解析計算を用いて,CNNを学習せずに直接分類タスクに構築・適用できることが示唆された。

関連論文リスト

• Model Parallel Training and Transfer Learning for Convolutional Neural Networks by Domain Decomposition [0.0]
  ディープ畳み込みニューラルネットワーク(CNN)は、幅広い画像処理アプリケーションで非常に成功したことが示されている。 モデルパラメータの増大と大量のトレーニングデータの増加により、複雑なCNNを効率的に訓練するための並列化戦略が必要である。
  論文  参考訳（メタデータ） (2024-08-26T17:35:01Z)
• CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
  蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
  論文  参考訳（メタデータ） (2024-04-23T08:19:08Z)
• Training Convolutional Neural Networks with the Forward-Forward algorithm [1.74440662023704]
  Forward Forward (FF)アルゴリズムは、現在まで完全に接続されたネットワークでしか使われていない。 FFパラダイムをCNNに拡張する方法を示す。 我々のFF学習したCNNは、空間的に拡張された新しいラベリング手法を特徴とし、MNISTの手書き桁データセットにおいて99.16%の分類精度を実現している。
  論文  参考訳（メタデータ） (2023-12-22T18:56:35Z)
• DLSIA: Deep Learning for Scientific Image Analysis [45.81637398863868]
  DLSIAはPythonベースの機械学習ライブラリで、さまざまな科学的領域にまたがって、さまざまなカスタマイズ可能な畳み込みニューラルネットワーク(CNN)アーキテクチャを持つ科学者や研究者に権限を与える。 DLSIAは、オートエンコーダ、チューニング可能なU-Net、パラメータリーン混合スケールネットワーク(MSDNets)などの使いやすいアーキテクチャを備えている。
  論文  参考訳（メタデータ） (2023-08-02T21:32:41Z)
• Testing the Channels of Convolutional Neural Networks [8.927538538637783]
  畳み込みニューラルネットワーク(CNN)のチャネルをテストする手法を提案する。 GANの拡張であるFtGANを設計し、ターゲットCNNのチャネルの強度を変化させてテストデータを生成する。 また,テストのための代表的なチャネルを見つけるためのチャネル選択アルゴリズムも提案した。
  論文  参考訳（メタデータ） (2023-03-06T09:58:39Z)
• How Neural Networks Extrapolate: From Feedforward to Graph Neural Networks [80.55378250013496]
  勾配勾配降下法によりトレーニングされたニューラルネットワークが、トレーニング分布の支持の外で学んだことを外挿する方法について検討する。 グラフニューラルネットワーク(GNN)は、より複雑なタスクでいくつかの成功を収めている。
  論文  参考訳（メタデータ） (2020-09-24T17:48:59Z)
• Curriculum By Smoothing [52.08553521577014]
  畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。 アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。 トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
  論文  参考訳（メタデータ） (2020-03-03T07:27:44Z)
• Computational optimization of convolutional neural networks using separated filters architecture [69.73393478582027]
  我々は、計算複雑性を低減し、ニューラルネットワーク処理を高速化する畳み込みニューラルネットワーク変換を考える。 畳み込みニューラルネットワーク(CNN)の使用は、計算的に要求が多すぎるにもかかわらず、画像認識の標準的なアプローチである。
  論文  参考訳（メタデータ） (2020-02-18T17:42:13Z)
• Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
  本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
  論文  参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。