जटिल डेटा पर कैप्सूल नेटवर्क प्रदर्शन

हाल के वर्षों में, संवहन न्यूरल नेटवर्क (CNN) ने गहरे शिक्षण के क्षेत्र में एक महत्वपूर्ण भूमिका निभाई है। CNN के विभिन्न रूपों ने विभिन्न क्षेत्रों में वर्गीकरण कार्यों में बहुत सफलता साबित की है। हालाँकि, CNN के दो बड़े नुकसान हैं: महत्वपूर्ण स्थानिक पदानुक्रम को ध्यान में न रखने की उनकी विफलता, और उनके पास घूर्णन अपरिवर्तनीयता की कमी है। जब तक किसी वस्तु की कुछ मुख्य विशेषताएँ परीक्षण डेटा में उपस्थित हैं, CNN परीक्षण डेटा को वस्तु के रूप में वर्गीकृत करते हैं, एक-दूसरे के सापेक्ष विशेषताओं की स्थानिक अभिविन्यास की अनदेखी करते हैं। इससे फॉल्स पॉजिटिव होते हैं। CNN में घूर्णन अपरिवर्तनीयता की कमी के कारण नेटवर्क वस्तु को एक और लेबल incorrectly असाइन करेगा, जिससे फॉल्स नेगेटिव होते हैं। इस चिंता को दूर करने के लिए, हिन्टन और अन्य ने हाल में एक पेपर में कैप्सूल के सिद्धांत का उपयोग करते हुए एक नई प्रकार के न्यूरल नेटवर्क का प्रस्ताव दिया। गतिशील रूटिंग और पुनर्निर्माण नियमितकरण के उपयोग के साथ, कैप्सूल नेटवर्क मॉडल घूर्णन अपरिवर्तनीय और स्थानिक रूप से जागरूक होगा। कैप्सूल नेटवर्क ने 0.25% परीक्षण त्रुटि के साथ एक अत्याधुनिक परिणाम हासिल करके अपनी क्षमता दिखाई है, जो MNIST पर डेटा वृद्धि जैसे घूर्णन और पैमाने के बिना है, जो पहले की आधाररेखा 0.39% से बेहतर है। उच्च आयामीता वाले डेटा पर कैप्सूल नेटवर्क के अनुप्रयोग का और परीक्षण करने के लिए, हम CIFAR10 डेटासेट पर सबसे अच्छे सेट कॉन्फ़िगरेशन का पता लगाने का प्रयास करते हैं जो ऑप्टिमल परीक्षण त्रुटि प्रदान करते हैं।