Key points are not available for this paper at this time.
Die Leistung von Feedforward-neuronalen Netzwerken in realen Anwendungen kann oft erheblich verbessert werden, wenn a priori Informationen genutzt werden. Bei Interpolationsproblemen umfasst dieses Vorwissen häufig Glattheitsanforderungen an die Netzwerkabbildung und kann durch die Hinzufügung geeigneter Regularisierungstermine zur Fehlerfunktion auferlegt werden. Die neue Fehlerfunktion hängt jedoch nun von den Ableitungen der Netzwerkabbildung ab, sodass der Standard-Backpropagation-Algorithmus nicht angewendet werden kann. In diesem Schreiben leiten wir einen recheneffizienten Lernalgorithmus für ein Feedforward-Netzwerk beliebiger Topologie ab, der verwendet werden kann, um solche Fehlerfunktionen zu minimieren. Netzwerke mit einer einzelnen verborgenen Schicht, für die sich der Lernalgorithmus vereinfacht, werden als Spezialfall behandelt.
Chris Bishop (Fr,) hat diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: