2D-05
Deep Learning におけるコストを考慮した Dropout率制御に関する検証
○玉城 翔,當間愛晃,赤嶺有平,山田孝治,遠藤聡志(琉球大)
入力データからの特徴抽出器としての機能を持つニューラルネットにおいて、深い階層構造の構築は、より抽象度の高い特徴表現の獲得を可能にしている。更に、この特徴の汎化能力の向上にDropoutという技術が大きく貢献している。このDropoutにおいて経験的観点でのパラメータ設定が通例だが、その理由や妥当性については十分な検証がされていない。パラメータ設定によっては学習コストが高くなることも想定されるが、問題の複雑さ、用意したニューロン数、接続前後のニューロン状況等に応じて適切なDropout率があると考えられる。そこで、我々はニューラルネットにおける評価関数の値を使い、最適なDropout率の設定が可能かどうかの検証をする。

footer 情報処理学会 セキュリティ プライバシーポリシー 倫理綱領 著作権について