モジュール化ニューラルネットワークの学習におけるNP完全な問題の解法
スポンサーリンク
概要
- 論文の詳細を見る
多くの理論的研究結果は、通常の階層型ニューラルネットワークの学習がNP完全な問題であることを示唆している。この論文では、min-maxモジュール化(M^3)ニューラルネットワークにおいて学習が扱いやすいことを示す。M^3ネットワークでNP完全な問題を対処する重要な手法は、大規模な問題をより扱い易い独立したサブ問題に分割することである。このようにすると大規模な問題の解は、創発学習により多数の小さいサブ問題の学習から得られる。
- 社団法人電子情報通信学会の論文
- 2000-03-15
著者
-
市川 道教
理化学研究所脳科学総合研究センターブレインウェイ(脳道)グループ
-
市川 道教
理化学研究所脳科学総合研究センター
-
呂 宝糧
理化学研究所脳科学総合研究センター
-
呂 宝糧
理化学研究所バイオ・ミメティックコントロール研究センター
-
市川 道教
理化学研究所 脳科学総合研究センター 脳創成デバイス研究チーム
関連論文
- 1PA132 膜電位感受性色素を用いたラット海馬におけるLTPの可視化
- 11-2 汎用CCDを用いた脳機能観測用、高速、低ノイズ撮影システム
- 脳を創る : 第4回 人が輝いて生きるとき
- ブレインウェイ・コンピュータの開発に向けて(最終回)工学実現のための指針
- ブレインウェイ・コンピュータの開発に向けて(第6回)メモリベースアーキテクチャ
- ブレインウエイ・コンピュ-タの開発に向けて(第4回)局所学習と広域学習
- ブレインウェイ・コンピュータの開発に向けて 第5回 脳の二重構造性
- 脳を創る : 第3回 古皮質の概念モデルと生体情報
- 実時間膜電位イメージング法による脳活動計測
- 脳を創る : 第2回 脳の構成原理と生体情報
- 脳を創る : 第1回 脳とはどんなコンピュータか
- ブレインウエイ・コンピュ-タの開発に向けて 第3回 脳の構成原理
- ブレインウェイ・コンピュ-タの開発に向けて(第2回)生体情報の一般原理(遺伝情報と脳)
- ブレインウェイ・コンピュ-タの開発に向けて-第1回-脳の情報原理
- 脳・神経活動の実時間計測
- 情報処理最前線 : 脳研究から情報処理へ-脳型コンピュ-タの開発にむけて
- 脳研究から情報処理へ : 脳型コンピュータ開発にむけて
- 大規模ニューラルネット構築から脳の理解へ
- 脳を創る--脳型コンピュ-タ-研究開発を通しての脳の理解 (特集:脳・神経のメカニズム)
- 1. 脳におけるデータ処理とエレクトロニクス (大規模データ処理を支えるエレクトロニクス : マルチメディア世界の到来に向けて)
- 脳・神経活動の実時間映像化技術 : 情報入力
- 時空間多項式により学習可能なパターン分類器の創発学習方法
- モジュール型ニューラルネットによる品詞タグ付け
- NLP2000-23 / NC2000-17 モジュール型ニューラルネットによる品詞の曖昧性解消
- 多項式時間で学習可能なMin-Maxモジュール型ニューラルネットワークのユニット数の上限について
- NLP2000-23 / NC2000-17 モジュール型ニューラルネットによる品詞の曖昧性解消
- NLP2000-22 / NC2000-16 多項式時間で学習可能なMin-Maxモジュール型ニューラルネットワークのユニット数の上限について
- モジュール化ニューラルネットワークの学習におけるNP完全な問題の解法
- パターン分類問題に対するニューラル・ネットワークのモジュール化 : 3. 大規模並列学習
- パターン分類問題に対するニューラル・ネットワークのモジュール化 : 2.大規模な問題の分割と並列学習
- パターン認識問題に対する可塑性モジュール神経回路アーキテクチャ
- パターン分類問題に対するニューラル・ネットワークのモジュール化 : 1.クラスに基づいた問題の分割とモジュールの統合
- 1P346 海馬神経活動のリアルタイム分光光計測・2波長光計測(バイオイメージング))
- ラット海馬スライスCA1におけるバースト刺激中の信号伝達
- 2P212ラット海馬におけるテタヌス刺激による長期増強はHebb型学習モデルになりうるか?光計測法による検証
- 1G1445 ラット海馬神経回路特性の可塑性を光学的に測定する
- 1P205 海馬CA3野における興奮抑制シナプスの幾何学的配置の電気生理的探索と方向性領域内興奮(化学受容、神経・感覚、神経回路・脳の情報処理,口頭発表,第45回日本生物物理学会年会)
- 膜電位感受性色素による神経活動のイメージング
- S2H04コンピュータは脳に進化できるのか?
- 脳型コンピュータのための超並列モジュール化学習法