استفاده از انرژی آزاد در روش واگرایی متقابل پایدار برای یادگیری شبکههای باور عمیق
Publish place: 12th Iranian Conference on Intelligent Systems
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,133
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICS12_122
تاریخ نمایه سازی: 11 مرداد 1393
Abstract:
امروزه استفاده از معماریهای عمیق در یادگیری و تشخیص الگو بسیار متداول شده است. یکی از روشهای معمول در معماریهای عمیق شبکههای باور عمیق است که در آن با استفاده از ترکیب چندین ماشین بولتزمن محدود، یک مدل قدرتمند مولد از داده هایآموزشی را میسازد. در این مقاله سعی شده تا با بهبود یکی از روشهای یادگیری این نوع از شبکهها، نتایج بهتری را نسبت به رویکردهای قبلی بدست آوریم. روش جدید به نامFEPCD سعی میکند تا به کمک مقدار انرژی آزاد، نمونه های بهتری را برای محاسبه گرادیان لگاریتم احتمال داده آموزشی، بدست آورد. بر اساس نتایج بدست آمده در این روش، می توان در دادگان ارقام دستنویسMNIST به خطایی به اندازه 70.1 % رسید که این مقدار از نتای موجود در مرجع اصلی شبکههای باورعمیق با1.25% خطاوازروشهای معمول دسته بندی مثلsVM با 1.4درصدخطا دارای دقت بالاتری است
Keywords:
Authors
محمدعلی کیوان راد
دانشجوی دکترا، دانشکده کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکبیر ، تهران،
محمدمهدی همایونپور
دانشیار ، دانشکده کامپیوتر و فناوری اطلاعات، دانشگاه صنعتی امیرکبیر ، تهران،
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :