About: Parameter spaces and learning complexity of neural networks

Facets (new session)
Description
Metadata
Settings
- owl:sameAs
- Inference Rule:

About: Parameter spaces and learning complexity of 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)

Attributes	Values
rdf:type	http://linked.opendata.cz/ontology/domain/vavai/Projekt
rdfs:seeAlso	http://www.isvav.cz/projectDetail.do?rowId=GA201/99/P057
Description	After the main questions concerning approximation capabilities of feedforward networks have been solved the focus has shifted towards complexity problems. Practical results indicate that the time complexity of learning process-representing a non-linear optimization task in a high-dimensional network parameter space-is the biggest problem. One possibility to decrease time complexity is the description of redundant network parametrizations realizing the same I/O function. We will focus on the descriptionof functionally equivalent networks for various architectures (RBF networks, multilayer perceptrons) and its utilization in deriving of new learning algorithms that are able to scan reduced parameter spaces. One type of such an algorithm is e.g. the modified genetic algorithm. We will investigate the effect of parameter space reduction to time complexity of learning. The given algorithms will be practically realized, hopefully in a parallel environment which is suitable for this type of algorithms. (en) Po vyřešení hlavních otázek spojených s aproximačními schopnostmi dopředných neuronových sítí se důraz přesunuje na problémy složitosti. Praktické výsledky ukazují, že největším problémem je časová náročnost učícího procesu, který představuje nelineární optimalizační problém ve vysoce dimenzionálním prostoru parametrů sítě. Jednou z možností, jak snížit časovou složitost učení je popis redundantních parametrizací sítě realizujících stejné vstupně-výstupní funkce. Budeme se věnovat popisu funkčně ekvivalentních sítí pro různé architektury (RBF sítě, vícevrstvé perceptrony) a jejímu využití pro odvození nových učících algoritmů, které jsou schopny prohledávat redukované prostory parametrů. Jedním z typů takových algoritmů je např. modifikovaný genetický algoritmus. Prozkoumáme vliv redukce parametrického prostoru na časovou složitost učení a dané algoritmy realizujeme i prakticky, pokud možno v paralelním výpočetním prostředí, jež je pro tento typ algoritmů vhodné.
Title	Parameter spaces and learning complexity of neural networks (en) Prostory parametrů a složitost učení neuronových sítí
skos:notation	GA201/99/P057
http://linked.open...avai/cep/aktivita	Standard projects
http://linked.open...kovaStatniPodpora	http://linked.opendata.cz/resource/domain/vavai/projekt/GA201%2F99%2FP057/celkovaStatniPodpora
http://linked.open...ep/celkoveNaklady	http://linked.opendata.cz/resource/domain/vavai/projekt/GA201%2F99%2FP057/celkoveNaklady
http://linked.open...datumDodatniDoRIV	2003-04-01 (xsd:date)
http://linked.open...i/cep/druhSouteze	VS - Veřejná soutěž ve výzkumu a vývoji
http://linked.open...ep/duvernostUdaju	S - Úplné a pravdivé údaje nepodléhající ochraně podle zvláštních právních předpisů
http://linked.open.../cep/fazeProjektu	747860
http://linked.open...ai/cep/hlavniObor	BA - Obecná matematika
http://linked.open...hodnoceniProjektu	V - Vynikající výsledky (s mezinárodním významem apod.). Zároveň byly splněny cíle a předpokládané výsledky uvedené ve smlouvě / rozhodnutí o poskytnutí podpory.
http://linked.open.../cep/klicovaSlova	Neuvedeno. (en)
http://linked.open...ep/partnetrHlavni	Ústav informatiky AV ČR, v.v.i.
http://linked.open...inujicichPrijemcu	0 (xsd:int)
http://linked.open...cep/pocetPrijemcu	1 (xsd:int)
http://linked.open...ocetSpoluPrijemcu	0 (xsd:int)
http://linked.open.../pocetVysledkuRIV	9 (xsd:int)
http://linked.open...enychVysledkuVRIV	9 (xsd:int)
http://linked.open...iciPoslednihoRoku	2002
http://linked.open...atUdajeProjZameru	2002
http://linked.open...usZobrazovaneFaze	DUU
http://linked.open...ai/cep/typPojektu	P - Projekt výzkumu a vývoje financovaný ze státního rozpočtu
http://linked.open.../cep/vedlejsiObor	BD - Teorie informace
http://linked.open...jektu+dodavatelem	Byly dosaženy výsledky o určitých typech neuronových sítí a souvisejících učících se algoritmů. Výstupy jsou články v kvalitních časopisech; jejich množství odpovídá rozsahu grantu. (cs)
http://linked.open...tniCyklusProjektu	ZBKU
is http://linked.open...vavai/riv/projekt of	N/A Utilizing Unique Parametrization Property in Approximate Genetic Learning of Feed-Forward Networks. Genetic Algorithms and Neural Networks: Making Use of Parameter Space Symetries. Neural Network Weight Space Symmetries can Speed up Genetic Learining. Towards Soft Computing Agents. Towards Feasible Learning Algorithm Based on Kolmogorov Theorem. N/A Multi-Agent Environment for Hybrid AI Models. Multiagent Environment for Hybrid AI Models.
is http://linked.open...vavai/cep/projekt of	http://linked.opendata.cz/resource/domain/vavai/cep/ucast/GA201%2F99%2FP057/1999/ico%3A67985807 http://linked.opendata.cz/resource/domain/vavai/cep/ucast/GA201%2F99%2FP057/2000/ico%3A67985807 http://linked.opendata.cz/resource/domain/vavai/cep/ucast/GA201%2F99%2FP057/2001/ico%3A67985807 http://linked.opendata.cz/resource/domain/vavai/cep/ucast/GA201%2F99%2FP057/2002/ico%3A67985807

Faceted Search & Find service v1.16.118 as of Jun 21 2024

Alternative Linked Data Documents: ODE Content Formats:

RDF

ODATA

Microdata

About

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