| Project/Area Number |
16K00342
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Research Field |
Soft computing
|
|---|
| Research Institution | Chubu University |
|---|
Principal Investigator |
NAKANO Ryohei 中部大学, 工学部, 客員教授 (90324467)
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Project Status |
Completed (Fiscal Year 2018)
|
| Budget Amount *help |
¥2,990,000 (Direct Cost: ¥2,300,000、Indirect Cost: ¥690,000)
Fiscal Year 2018: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2017: ¥910,000 (Direct Cost: ¥700,000、Indirect Cost: ¥210,000)
Fiscal Year 2016: ¥1,170,000 (Direct Cost: ¥900,000、Indirect Cost: ¥270,000)
|
|---|
| Keywords | 多層パーセプトロン / 特異領域 / 特異階段追跡法 / 複素ニューラルネット / 深層学習 / モデル選択 / ニューラルネットワーク / 機械学習 / 特異モデル |
|---|
| Outline of Final Research Achievements |
For neural networks learning, we have established SSF (singularity stairs following) principle, which enables us to find excellent solutions by utilizing singular regions. By applying SSF principle, we developed three very powerful learning methods: SSF1.4 for real-valued multilayer perceptron (MLP), RBF-SSF-pH for real-valued RBF network, and C-SSF1.3 for complex-valued MLP. In our experiments these methods showed quite excellent performances. Moreover, they were successfully employed for singular model selection using WAIC and WBIC, and for prediction of deterministic chaos behavior. Finally, we have also investigated and implemented mixture of non-linear regressions to find underlying functions for heterogeneous data.
|
| Academic Significance and Societal Importance of the Research Achievements |
学術的意義：深層学習の成功により、ニューラルネットの有用性が再認識されているが、本研究で技術確立した特異階段追跡（SSF）原理は、ニューラルネットの学習性能、特に解品質を著しく向上させるものである。深層学習と併用することにより、全体性能の一層の向上が期待される。また今後、SSF原理を他のニューラルネットモデルに適用する研究の展開も期待される。
社会的意義：近年の人工知能は多分野に導入されて大ブレークした。その中核には機械学習があり、特に、深層学習の成功が大きい。本研究は深層学習の性能に磨きをかけて有用性拡大に貢献すると期待される。
|
