{"product_id":"ieej-zt20213-082","title":"多層ニューラルネットワークの構造最適化の一手法","description":"\u003cp\u003e\u003cstrong\u003eカテゴリ: \u003c\/strong\u003e全国大会\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e論文No: \u003c\/strong\u003e3-082\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eグループ名: \u003c\/strong\u003e【全国大会】令和3年電気学会全国大会論文集\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e発行日: \u003c\/strong\u003e2021\/03\/01\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eタイトル(英語): \u003c\/strong\u003eA Method of Optimization for Multi-layered Neural Network Structure\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e著者名: \u003c\/strong\u003e古川聡也（明治大学）\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e著者名(英語): \u003c\/strong\u003eSoya Furukawa (Meiji University)\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eキーワード: \u003c\/strong\u003e多層ニューラルネットワーク|ドロップアウト|構造最適化|Multi-layered Neural Network|Dropout|Optimization for Structure\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e要約(日本語): \u003c\/strong\u003eドロップアウトを用いた多層ニューラルネットワークの構造最適化の一手法を提案する。構造最適化とは中間層におけるノード数を、認識率を損なわず削除していくこととする。学習過程において1周分の学習回数N、各ノードの励起状態数pから各ノードに対してr(=p\/N)を算出し、r≧0.25を満たさないノードを不要と判断する。教師データの内、Nデータを採択し、誤差逆伝搬法で学習をM周する。次に、テストデータで認識率を求め、前段階の認識率と比較し、認識率の変化率を算出する。変化率が-30%未満であれば、不要なノードのドロップ\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e原稿種別: \u003c\/strong\u003e日本語\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003ePDFファイルサイズ: \u003c\/strong\u003e372 Kバイト\u003c\/p\u003e","brand":"IEEJ-PDF","offers":[{"title":"PDFダウンロード（一般価格440円\/会員価格220円） \/ A4 \/ 1","offer_id":46401963753711,"sku":"IEEJ-ZT20213-082-PDF","price":440.0,"currency_code":"JPY","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0718\/9512\/2159\/files\/IEEJ-PDF_3cc5620e-2a15-4944-beb7-14e6456c0bca.png?v=1744964490","url":"https:\/\/ieej.bookpark.ne.jp\/products\/ieej-zt20213-082","provider":"電気学会 電子図書館","version":"1.0","type":"link"}