Ryotaro Kamimura
స్వీయ-వ్యవస్థీకృత సంభావ్య అభ్యాసం: మెరుగైన వివరణ మరియు సాధారణీకరణ పనితీరుతో పర్యవేక్షించబడే నాడీ నెట్‌వర్క్‌లకు శిక్షణ ఇవ్వడానికి SOM పరిజ్ఞానాన్ని మెరుగుపరచడం
ప్రస్తుత పేపర్ సాధారణీకరణ మరియు వివరణ పనితీరును మెరుగుపరచడానికి "స్వీయ-వ్యవస్థీకృత సంభావ్య అభ్యాసం" అనే కొత్త రకమైన అభ్యాస పద్ధతిని ప్రతిపాదిస్తుంది. ఈ పద్ధతిలో, ఇన్‌పుట్ నమూనాలపై జ్ఞానాన్ని (SOM నాలెడ్జ్) ఉత్పత్తి చేయడానికి స్వీయ-ఆర్గనైజింగ్ మ్యాప్ (SOM) ఉపయోగించబడుతుంది. SOM పరిజ్ఞానం కొన్నిసార్లు అనవసరంగా ఉంటుంది మరియు బహుళ-లేయర్డ్ న్యూరల్ నెట్‌వర్క్‌లకు శిక్షణ ఇవ్వడంలో ప్రభావవంతంగా ఉండదు . న్యూరాన్ల సంభావ్యతను పరిగణనలోకి తీసుకోవడం ద్వారా సేకరించిన జ్ఞానం యొక్క అతి ముఖ్యమైన భాగంపై దృష్టి పెట్టడానికి ప్రస్తుత పద్ధతి పరిచయం చేయబడింది. మొదటి ఉజ్జాయింపు కోసం, సంభావ్యత న్యూరాన్ల వైవిధ్యం పరంగా నిర్వచించబడింది. అప్పుడు, పెద్ద సంభావ్యత కలిగిన న్యూరాన్లు పర్యవేక్షించబడే అభ్యాసంలో ఉపయోగించాల్సిన ముఖ్యమైనవిగా ఎంపిక చేయబడతాయి. ఈ పద్ధతి మూడు సమస్యలకు వర్తింపజేయబడింది, అవి కృత్రిమ డేటా , నిజమైన ద్వితీయ భాషకు సంబంధించిన డేటా మరియు మెషిన్ లెర్నింగ్ డేటాబేస్‌లోని బయో-డీజెనరసీ డేటా . అన్ని సందర్భాల్లో, వైవిధ్యం పరంగా, సంభావ్యత తక్కువ సంఖ్యలో ముఖ్యమైన ఇన్‌పుట్ మరియు దాచిన న్యూరాన్‌లను సంగ్రహించడంలో ప్రభావవంతంగా ఉందని కనుగొనబడింది. అప్పుడు, సాధారణీకరణ పనితీరు బాగా మెరుగుపడింది, ప్రత్యేకించి ఇన్‌పుట్ మరియు దాచిన న్యూరాన్ల సంభావ్యతను సులభంగా అర్థమయ్యే కనెక్షన్ బరువులతో పరిగణించినప్పుడు.
English 
Spanish 
Chinese 
Russian 
German 
French 
Japanese 
Portuguese 
Hindi