February 23, 1990
View Full Paper다층 네트워크와 동등한 학습을 위한 정규화 알고리즘
Key Points
Key points are not available for this paper at this time.
Abstract
많은 신경망이 수행하도록 구축된 예제 집합에서 입력-출력 매핑을 학습하는 것은 다차원 함수의 근사를 합성하는 것으로 간주될 수 있습니다(즉, 초표면 재구성 문제를 해결하는 것입니다). 이러한 관점에서, 이 학습 형태는 일반화된 스플라인 및 정규화 이론과 같은 고전적인 근사 기술과 밀접하게 관련되어 있습니다. 정규화와 정규화 네트워크 또는 하이퍼 기저 함수라고 불리는 3층 네트워크 클래스 간의 동등성을 보여주는 이론이 보고되었습니다. 이러한 네트워크는 일반화된 스플라인과 동등할 뿐만 아니라 보간 작업에 사용되는 고전적인 방사형 기저 함수 및 여러 패턴 인식 및 신경망 알고리즘과도 밀접하게 관련되어 있습니다. 또한 학습 단계에서 합성되고 최적 결합되는 프로토타입 측면에서 흥미로운 해석을 제공합니다.