講演抄録/キーワード |
講演名 |
2021-03-04 16:25
階層型特徴抽出を行う動的強化学習ネットワーク ○小松泰士・山内ゆかり(日大) NC2020-62 |
抄録 |
(和) |
近年,画像認識分野において成功を収めている畳み込みニューラルネットワークでは,階層構造による畳み込みによって脳の単純型細胞と複雑型細胞を表し,複雑な形状の認識を可能にしている.Dynamic Q-NetworkとはDeep Q-Networkの特徴抽出部分に自己増殖型ニューラルネットワーク(SOINN)を採用し,特徴抽出を動的に学習するアルゴリズムである.本研究では,Dynamic Q-Networkの特徴抽出部のSOINN層の下位に自己組織化マップ(SOM)を配置し,特徴抽出部をSOM-SOINNの2階層に分ける手法を提案する.特徴抽出を階層的に行うことにより,入力情報の単純発火と複雑発火を区別することでより高次元の特徴抽出を可能にし,Q-Networkの学習精度向上を目指す.Reversiを実験環境とし処理時間及び勝率により提案手法の有効性を示す. |
(英) |
Recently, Convolutional Neural Networks (CNN), which have been successful in the field of image recognition, use a hierarchical convolutional structure to represent the simple and complex cells of the brain, enabling the recognition of complex shapes. Dynamic Q-Network is an algorithm that dynamically learns feature extraction by adapting Self-Organizing Neural Network (SOINN) as the feature extraction part of Deep Q-Network. In this research, we propose a method of placing a Self-Organizing Map (SOM) below the SOINN layer in the feature extraction part of Dynamic Q-Network, and dividing the feature extraction part into two layers of SOM-SOINN. By performing feature extraction in a hierarchical manner, we aim to improve the learning accuracy of the Q-Network by distinguishing between simple and complex firings of the input information, thereby enabling feature extraction of higher dimensions. The effectiveness of the proposed method is shown based on the processing time and the win rate in the experimental environment of Reversi. |
キーワード |
(和) |
強化学習 / 畳み込みニューラルネットワーク / 自己増殖型ニューラルネットワーク / / / / / |
(英) |
Reinforcement Learning / Convolutional Neural Network / Self-Organizing Incremental Neural Network / / / / / |
文献情報 |
信学技報, vol. 120, no. 403, NC2020-62, pp. 112-116, 2021年3月. |
資料番号 |
NC2020-62 |
発行日 |
2021-02-24 (NC) |
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 |
NC2020-62 |
研究会情報 |
研究会 |
NC MBE |
開催期間 |
2021-03-03 - 2021-03-05 |
開催地(和) |
オンライン開催 |
開催地(英) |
Online |
テーマ(和) |
NC, ME, 一般 |
テーマ(英) |
Neuro Computing, Medical Engineering, etc. |
講演論文情報の詳細 |
申込み研究会 |
NC |
会議コード |
2021-03-NC-MBE |
本文の言語 |
日本語 |
タイトル(和) |
階層型特徴抽出を行う動的強化学習ネットワーク |
サブタイトル(和) |
|
タイトル(英) |
Hierarchical Feature Extraction for Dynamic Q-Network |
サブタイトル(英) |
|
キーワード(1)(和/英) |
強化学習 / Reinforcement Learning |
キーワード(2)(和/英) |
畳み込みニューラルネットワーク / Convolutional Neural Network |
キーワード(3)(和/英) |
自己増殖型ニューラルネットワーク / Self-Organizing Incremental Neural Network |
キーワード(4)(和/英) |
/ |
キーワード(5)(和/英) |
/ |
キーワード(6)(和/英) |
/ |
キーワード(7)(和/英) |
/ |
キーワード(8)(和/英) |
/ |
第1著者 氏名(和/英/ヨミ) |
小松 泰士 / Taishi Komatsu / コマツ タイシ |
第1著者 所属(和/英) |
日本大学 (略称: 日大)
Nihon University (略称: Nihon Univ.) |
第2著者 氏名(和/英/ヨミ) |
山内 ゆかり / Yukari Yamauchi / ヤマウチ ユカリ |
第2著者 所属(和/英) |
日本大学 (略称: 日大)
Nihon University (略称: Nihon Univ.) |
第3著者 氏名(和/英/ヨミ) |
/ / |
第3著者 所属(和/英) |
(略称: )
(略称: ) |
第4著者 氏名(和/英/ヨミ) |
/ / |
第4著者 所属(和/英) |
(略称: )
(略称: ) |
第5著者 氏名(和/英/ヨミ) |
/ / |
第5著者 所属(和/英) |
(略称: )
(略称: ) |
第6著者 氏名(和/英/ヨミ) |
/ / |
第6著者 所属(和/英) |
(略称: )
(略称: ) |
第7著者 氏名(和/英/ヨミ) |
/ / |
第7著者 所属(和/英) |
(略称: )
(略称: ) |
第8著者 氏名(和/英/ヨミ) |
/ / |
第8著者 所属(和/英) |
(略称: )
(略称: ) |
第9著者 氏名(和/英/ヨミ) |
/ / |
第9著者 所属(和/英) |
(略称: )
(略称: ) |
第10著者 氏名(和/英/ヨミ) |
/ / |
第10著者 所属(和/英) |
(略称: )
(略称: ) |
第11著者 氏名(和/英/ヨミ) |
/ / |
第11著者 所属(和/英) |
(略称: )
(略称: ) |
第12著者 氏名(和/英/ヨミ) |
/ / |
第12著者 所属(和/英) |
(略称: )
(略称: ) |
第13著者 氏名(和/英/ヨミ) |
/ / |
第13著者 所属(和/英) |
(略称: )
(略称: ) |
第14著者 氏名(和/英/ヨミ) |
/ / |
第14著者 所属(和/英) |
(略称: )
(略称: ) |
第15著者 氏名(和/英/ヨミ) |
/ / |
第15著者 所属(和/英) |
(略称: )
(略称: ) |
第16著者 氏名(和/英/ヨミ) |
/ / |
第16著者 所属(和/英) |
(略称: )
(略称: ) |
第17著者 氏名(和/英/ヨミ) |
/ / |
第17著者 所属(和/英) |
(略称: )
(略称: ) |
第18著者 氏名(和/英/ヨミ) |
/ / |
第18著者 所属(和/英) |
(略称: )
(略称: ) |
第19著者 氏名(和/英/ヨミ) |
/ / |
第19著者 所属(和/英) |
(略称: )
(略称: ) |
第20著者 氏名(和/英/ヨミ) |
/ / |
第20著者 所属(和/英) |
(略称: )
(略称: ) |
講演者 |
第1著者 |
発表日時 |
2021-03-04 16:25:00 |
発表時間 |
25分 |
申込先研究会 |
NC |
資料番号 |
NC2020-62 |
巻番号(vol) |
vol.120 |
号番号(no) |
no.403 |
ページ範囲 |
pp.112-116 |
ページ数 |
5 |
発行日 |
2021-02-24 (NC) |
|