講演抄録/キーワード |
講演名 |
2020-10-21 15:35
[招待講演]深層学習を微分方程式で記述する ○園田 翔(理研) IBISML2020-24 |
抄録 |
(和) |
深層ニューラルネットの内部で起きている情報処理を,特徴量空間$Z$上の曲線$f:[0,1]times Zto Z$や,対応する特徴量分布$p(t,z)$の時間発展方程式として記述したい。現実のネットワーク構造は縦横無尽に接続することがあり統一的な解析は困難だが,ここでは特に複数の中間層が縦列接続している構造を想定する。中間層写像$f_ell:Z^{ell-1} to Z^ell$を何層も重ねた合成写像$f_L circ cdots circ f_1:Z^0to Z^L$による情報処理は,ある共通の状態空間$Z$上の点列${ z_t }_{t in NN}$や曲線$z()$に対応付けられる。点列や曲線の生成過程を決定することで,深層構造で行われている情報処理を理解し,改善へと繋げる。このように深層ニューラルネットの情報処理様式を曲線に転換して解析する方法は,2018年頃からは Neural ODE や ODE-Net という通称で積極的に研究開発が進められている。本講演では,Sonoda and Murata (2019) ``Transport Analysis of Infinitely Deep Neural Network'' JMLR に基づき,雑音除去自己符号化器の場合には特徴量分布の発展方程式が後退型熱方程式で与えられることを説明する。時間があれば,講演者が最近発見したReLUネットのRadon型再構成公式に基づく新しい方程式も紹介する。 |
(英) |
|
キーワード |
(和) |
深層ニューラルネット / 最適制御 / 自己符号化器 / 後退型熱方程式 / Radon型再構成公式 / / / |
(英) |
/ / / / / / / |
文献情報 |
信学技報, vol. 120, no. 195, IBISML2020-24, pp. 42-42, 2020年10月. |
資料番号 |
IBISML2020-24 |
発行日 |
2020-10-13 (IBISML) |
ISSN |
Online edition: ISSN 2432-6380 |
著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) |
PDFダウンロード |
IBISML2020-24 |