About: Alternative learning procedures for reedforward neural networks     Goto   Sponge   NotDistinct   Permalink

An Entity of Type : http://linked.opendata.cz/ontology/domain/vavai/Projekt, within Data Space : linked.opendata.cz associated with source document(s)

AttributesValues
rdf:type
Description
  • Většina učících algoritmů pro dopředné neuronové sítě je založena na gradientních metodách používaných při nelineární optimalizaci. Přestože těmito metodami lze úspěšně řešit reálné problémy, mají některá podstatná omezení (numerická nestabilita, časová a komunikační náročnost). V posledních letech vzniklo několik teoretických výsledků o aproximačních vlastnostech neuronových sítí, ale doposud se věnovala malá pozornost vývoji nových učících algoritmů založených na těchto výsledcích. Na základě podrobnéanalýzy vět a důkazového aparátu autorů Kolmogorova, Sprechera, Kůrkové, Leshna, Mhaskara a dalších navrhneme alternativní učící procedury pro dopředné neuronové sítě. U navržených algoritmů budeme studovat jejich teoretické, numerické a výpočetní vlastnosti. Chování algoritmů vyzkoušíme na standardních testovacích problémech. (cs)
  • The majority of currently used learning algortihms for feedforward networks is based on gradient descent methods of non-linear optimization. They have proven successfull in solving real-world problems, nevertheless they are known to suffer from several shortcomings (numerical instability, time demands, communication overhead). Several theoretical results concerning the approximation power of neural networks have been established in the last decade, but a little effort has benn made to use these results-based on functinal approximation theory-for proposal of novel learning procedures. We plan to carefully study the results and proof techniques of Kolmogorov, Sprecher, Kůrková, Leshno, Mhaskar and others to derive alternative learning procedures for feedforward networks. Numerical and computational properties of these algortihms will be studied by means of theory and experiments on standard benchmarks. (en)
Title
  • Alternativní učící algoritmy pro dopředné neuronové sítě (cs)
  • Alternative learning procedures for reedforward neural networks (en)
http://linked.open...lsi-vedlejsi-obor
http://linked.open...avai/druh-souteze
http://linked.open...domain/vavai/faze
http://linked.open...vavai/hlavni-obor
http://linked.open...vai/vedlejsi-obor
http://linked.open...vavai/id-aktivity
http://linked.open.../vavai/id-souteze
http://linked.open...n/vavai/kategorie
http://linked.open...vai/klicova-slova
  • Artificial Neural Networks; Learning Algorithms; Parallel Computing (en)
http://linked.open...nujicich-prijemcu
http://linked.open...avai/poskytovatel
http://linked.open...ai/statni-podpora
http://linked.open...vavai/typProjektu
http://linked.open...ai/uznane-naklady
http://linked.open...ai/pocet-prijemcu
http://linked.open...cet-spoluprijemcu
http://linked.open...ai/pocet-vysledku
http://linked.open...ku-zverejnovanych
is http://linked.open...ain/vavai/projekt of
Faceted Search & Find service v1.16.118 as of Jun 21 2024


Alternative Linked Data Documents: ODE     Content Formats:   [cxml] [csv]     RDF   [text] [turtle] [ld+json] [rdf+json] [rdf+xml]     ODATA   [atom+xml] [odata+json]     Microdata   [microdata+json] [html]    About   
This material is Open Knowledge   W3C Semantic Web Technology [RDF Data] Valid XHTML + RDFa
OpenLink Virtuoso version 07.20.3240 as of Jun 21 2024, on Linux (x86_64-pc-linux-gnu), Single-Server Edition (126 GB total memory, 58 GB memory in use)
Data on this page belongs to its respective rights holders.
Virtuoso Faceted Browser Copyright © 2009-2024 OpenLink Software