Key points are not available for this paper at this time.
सक्रियता कार्य गहन अध्ययन का एक महत्वपूर्ण घटक है, जो जटिल डेटा पैटर्न को निकालने में सहायक है। यद्यपि ReLU और इसके विभिन्न रूपों जैसे पारंपरिक सक्रियण कार्यों का व्यापक रूप से उपयोग किया जाता है, लेकिन उनकी स्थिर प्रकृति और सरलता, जो लाभकारी होते हुए भी, विशेष कार्यों में उनकी प्रभावशीलता को अक्सर सीमित कर देती हैं। प्रशिक्षित सक्रियण कार्य कभी-कभी डेटा की विशिष्ट विशेषताओं के अनुकूल होने के लिए संघर्ष करते हैं। इन सीमाओं का समाधान करते हुए, हम एक नया प्रशिक्षित सक्रियण कार्य, अनुकूली खंडीय अनुमानित सक्रियण रैखिक इकाई (APALU), पेश करते हैं, जो विभिन्न प्रकार के कार्यों में गहन अध्ययन के सीखने के प्रदर्शन को बढ़ाने के लिए है। यह अद्वितीय विशेषताओं का एक सेट प्रस्तुत करता है, जो इसे जटिल डेटा प्रतिनिधित्वों के अनुकूलन के साथ-साथ सीखने की प्रक्रिया में स्थिरता और दक्षता बनाए रखने में सक्षम बनाता है। प्रयोगात्मक डेटा विभिन्न कार्यों के लिए व्यापक रूप से उपयोग किए जाने वाले सक्रियण कार्यों पर महत्वपूर्ण सुधार दर्शाते हैं। छवि वर्गीकरण में, APALU MobileNet और GoogleNet की सटीकता को CIFAR10 डेटासेट पर क्रमशः 0.37% और 0.04% बढ़ाता है। विसंगति पहचान में, यह MNIST डेटासेट पर One-CLASS Deep SVDD के तहत औसत क्षेत्र को 0.8% सुधारता है, MVTech डेटासेट पर DifferNet और ज्ञान आसवन के साथ क्रमशः 1.81% और 1.11% सुधार करता है। उल्लेखनीय है कि APALU एक सीमित डेटासेट के साथ सांकेतिक भाषा पहचान कार्य पर 100% सटीकता प्राप्त करता है। रिग्रेशन कार्यों के लिए, APALU विभिन्न डेटासेट पर गहन तंत्रिका नेटवर्क और आवर्ती तंत्रिका नेटवर्क के प्रदर्शन को बढ़ाता है। ये सुधार APALU की मजबूती और विविध गहन-शिक्षण अनुप्रयोगों में अनुकूलनशीलता को उजागर करते हैं।
सुब्रमण्यम et al. (मंगल,) ने इस प्रश्न का अध्ययन किया।