コンピュータ工学および情報技術ジャーナル

自己組織化ポテンシャル学習: SOM 知識を強化して解釈と一般化のパフォーマンスを向上させた教師ありニューラル ネットワークをトレーニングする

上村 良太郎

自己組織化ポテンシャル学習: SOM 知識を強化して解釈と一般化のパフォーマンスを向上させた教師ありニューラル ネットワークをトレーニングする

本論文では、一般化と解釈のパフォーマンスを向上させるために、「自己組織化ポテンシャル学習」と呼ばれる新しいタイプの学習方法を提案する。この方法では、自己組織化マップ（SOM）を使用して、入力パターンに関する知識（SOM知識）を生成する。SOM知識は冗長な場合があり、多層ニューラルネットワークのトレーニングに必ずしも効果的ではない。本方法は、ニューロンのポテンシャルを考慮して抽出された知識の最も重要な部分に焦点を当てるために導入された。最初の近似では、ポテンシャルはニューロンの分散の観点から定義される。次に、より大きなポテンシャルを持つニューロンが、教師あり学習で使用する重要なニューロンとして選択される。この方法は、機械学習データベース内の人工データ、実際の第二言語学習データ、および生物学的縮退データの3つの問題に適用された。すべてのケースで、分散の観点から、ポテンシャルは少数の重要な入力ニューロンと隠れニューロンを抽出するのに効果的であることが判明した。その後、特に入力ニューロンと隠れニューロンの潜在性が簡単に解釈できる接続重みで考慮された場合、一般化パフォーマンスが大幅に向上しました。