이질적인 다층 일반화 운영 퍼셉트론

McCulloch-Pitts 뉴런 모델을 사용하는 전통적인 다층 퍼셉트론(MLP)은 본질적으로 신경 활동 집합에 제한됩니다. 즉, 선형 가중 합계 뒤에 비선형 임계값 단계가 이어집니다. 이전에, 일반화 운영 퍼셉트론(GOP)이 생물학적 뉴런의 일반화 모델을 모방하기 위해 다양한 신경 활동 집합을 정의하여 기존의 퍼셉트론 모델을 확장하기 위해 제안되었습니다. GOP와 함께, 점진적 운영 퍼셉트론(POP) 알고리즘이 여러 동질적 층의 사전 정의된 템플릿을 층별로 최적화하도록 제안되었습니다. 이 논문에서는 각 개별 뉴런이 층과 관계없이 독특한 특성을 가질 수 있도록 하는 효율적인 알고리즘을 제안합니다. 제안된 알고리즘은 문제의 복잡성에 따라 뉴런 수준에서 점진적인 방식으로 작동하며, 깊이뿐만 아니라 폭, 즉 각 층의 뉴런 수 측면에서 컴팩트한 토폴로지를 탐색합니다. 제안된 알고리즘은 여러 분류 문제에 대한 광범위한 실험에서 다른 관련 학습 방법보다 우수성을 보이는 것으로 나타났습니다.