Семинар отделения №4 "Искусственный интеллект и принятие решений" ФИЦ ИУ РАН |
||
МЕНЮ Искусственный интеллект Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Искусственный интеллект Разработка ИИГолосовой помощник Городские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Техническое зрение Чат-боты Авторизация |
2016-08-04 23:03 Семинар отделения №4 "Искусственный интеллект и принятие решений" ФИЦ ИУ РАН 5 августа, 16:00 Пр-т 60-летия Октября, д. 9, конференц-зал на 1 этаже Сергей Бартунов (Высшая школа экономики, Google Deepmind) "Нейросетевые архитектуры с внешней памятью для метаобучения" В последние годы в области машинного обучения наблюдается ренессанс нейросетевых архитектур. Нейросети уверенно лидируют в различных задачах сенсорного распознавания, позволяя добиваться весьма высокой точности предсказаний на больших объемах данных. Однако, в этой особенности скрыт и серьезный недостаток большинства современных нейросетей: в отличие от, например, человека, они неспособны эффективно работать с малыми обучающими выборками и весьма склонны к переобучению в подобных ситуациях. В данном докладе будет рассказано об одном из возможных подходов к преодолению этого недостатка путем настройки сети не на конкретную обучающую выборку, а на достаточно широкий класс возможных выборок, а также использования аппарата внешней адресуемой памяти, в которой аккумулируются знания об обучающих примерах. Эффективность предлагаемого подхода демонстрируется на задачах регрессии и классификации.
Комментарии: |
|