कंप्यूटर इंजीनियरिंग और सूचना प्रौद्योगिकी जर्नल

स्व-संगठित संभावित शिक्षण: बेहतर व्याख्या और सामान्यीकरण प्रदर्शन के साथ पर्यवेक्षित तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए SOM ज्ञान को बढ़ाना

रयोटारो कामिमुरा

स्व-संगठित संभावित शिक्षण: बेहतर व्याख्या और सामान्यीकरण प्रदर्शन के साथ पर्यवेक्षित तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए SOM ज्ञान को बढ़ाना

प्रस्तुत पत्र सामान्यीकरण और व्याख्या प्रदर्शन को बेहतर बनाने के लिए "स्व-संगठित संभावित शिक्षण" नामक एक नए प्रकार की सीखने की विधि का प्रस्ताव करता है। इस विधि में, इनपुट पैटर्न पर ज्ञान (एसओएम ज्ञान) का उत्पादन करने के लिए स्व-संगठित मानचित्र (एसओएम) का उपयोग किया जाता है। एसओएम ज्ञान कभी-कभी अनावश्यक होता है और जरूरी नहीं कि बहुस्तरीय तंत्रिका नेटवर्क को प्रशिक्षित करने में प्रभावी हो। वर्तमान विधि ज्ञान के सबसे महत्वपूर्ण भाग पर ध्यान केंद्रित करने के लिए पेश की गई है, जिसे न्यूरॉन्स की क्षमता पर विचार करके निकाला जाता है। पहले सन्निकटन के लिए, क्षमता को न्यूरॉन्स के विचरण के संदर्भ में परिभाषित किया गया है। फिर, बड़ी क्षमता वाले न्यूरॉन्स को पर्यवेक्षित सीखने में उपयोग किए जाने वाले महत्वपूर्ण के रूप में चुना जाता है। विधि को तीन समस्याओं पर लागू किया गया था, अर्थात्, कृत्रिम डेटा , वास्तविक द्वितीय भाषा सीखने का डेटा और मशीन लर्निंग डेटाबेस में बायो-डिजनरेसी डेटा । इसके बाद, सामान्यीकरण प्रदर्शन में काफी सुधार हुआ, विशेष रूप से तब जब इनपुट और छिपे हुए न्यूरॉन्स की क्षमता को आसानी से व्याख्या योग्य कनेक्शन भार के साथ माना गया।