Slide 1

Slide 1 text

Artificial Neural Network: A brief study 人工ニューラルネットワーク: 概要研究 知能モデリング研究室 Koki Kazaore 2024/5/17 英語ゼミ(論文輪読会)

Slide 2

Slide 2 text

2 ページタイトルが黒文字:論文の内容要約スライド ページタイトルが橙文字:説明用追加スライド はじめに

Slide 3

Slide 3 text

3 - タイトル: - Artificial Neural Network: A brief study(2022) - 著者: - Mayuri Thorat, Shraddha Pandit, Supriya Balote - 選定理由・目的 - できるだけ共通項となり得る論文に時間を割きたい - ニューラルネットワーク迷子になったら基礎に立ち帰れ る資料にしたい - ANNを理解した上で,CNN/RNNに派生したい 論文詳細

Slide 4

Slide 4 text

4 Abstract 人工ニューラルネットワーク(ANN)とは 脳などがデータを処理する方法から着想を得た概念 人間と同様に,例をもとに学習し,それが膨大であれ ば 高い精度をもたらす. 本論文では - ANNの概要・動作・学習 - ANNの応用と利点 について説明する.

Slide 5

Slide 5 text

5 問題解決における従来の方法 - 問題の解決方法を知っている人がプログラムする。 - コンピュータは具体的なアルゴリズムに基づいて問題を解 決する。 ニューラルネットワークのアプローチ - 人間の脳のように情報を処理する。 - 曖昧なアルゴリズムが必要な問題と対峙できる。 - 文字認識・未来予測 Introduction

Slide 6

Slide 6 text

6 Introduction シンプルな神経細胞図×100億個 細胞体: 入力を処理 総和なり乗算なり 樹状突起:入力 核 軸索: 出力信号を送る 軸索末梢 N N N N N N N N N N シナプス

Slide 7

Slide 7 text

7 人間の脳のようにデータを分析・処理するための, 生物学的な着想を得たコンピューティングシステム What is ANN?

Slide 8

Slide 8 text

8 What is ANN? 構造 - 入力層 - 隠れ層 - 出力層 メリデメ - メリット:適応性・耐複雑性 - デメリット:not厳密・複雑構造

Slide 9

Slide 9 text

9 1. 非線形タスクの実行 2. 高い耐障害性 3. トレーニング後の柔軟性 4. 人間の代替 5. 入力変数の柔軟性 6. マルチタスク能力 7. 迅速な作業 8. ソフトウェアの完全なバックアップ 9. 意思決定と自動再プログラム Advantages

Slide 10

Slide 10 text

10 Applications 1. 手書き文字認識 2. 株価予測 3. 旅行計画問題 4. 画像圧縮 5. 関数近似 6. 分類 7. データ処理

Slide 11

Slide 11 text

11 Working of an ANN (次スライド参照しながら) - 上層から下層へ信号送る(フィードフォワード) - ニューロン間のリンクは加算(興奮)or除去(制御)する役割 - ニューロンでは入力の加重和を計算 活性化関数へ投げる - 閾値を超えるとニューロンは発火 そうでなければ発火しない - 学習モードと使用モードが存在する

Slide 12

Slide 12 text

12 Working of an ANN

Slide 13

Slide 13 text

13 教師あり学習 入力と出力の両方が与えられる バックプロパゲーション(誤差逆伝播)によって重みを更新する バックプロパゲーションプロセス 1. 入力 2. 出力 3. 誤差発見 4. 重み更新 Training an ANN

Slide 14

Slide 14 text

14 Training an ANN ↓教師(Label) 日付 湿度 気圧 雨 5/1 83% 1000 T 5/2 59% 1005 F 5/3 69% 1010 F 5/4 75% 1015 T 5/5 80% 1020 T f(湿度, 気圧)    ⇒ f(83, 1000) = T f(59, 1005) = F h(湿度, 気圧) h(10, 1013) = ? h(100, 990) = ?

Slide 15

Slide 15 text

15 教師なし学習 入力は与えられるが,必要な出力は与えられない 未ラベルのデータセットを使用 入力データをグループ化するために適切な特徴を選択 隠れたパターンを発見するために使用 Training an ANN

Slide 16

Slide 16 text

16 強化学習 フィードバックと過去の経験から学習する長期的な反復プロセス フィードバックが多ければ多いほど精度向上 マルコフ決定過程とも呼ばれる Training an ANN

Slide 17

Slide 17 text

17 Training an ANN 強化学習 – これだけは知っておきたい3つのこと - MATLAB & Simulinkより引用

Slide 18

Slide 18 text

18 Conclusion 人工ニューラルネットワーク(ANN)の仕組みと学習について述べ た. ANNは更に発展していく.例えば - モバイルやウェブアプリでのカスタマイズされたUXの強化 - 神経学や心理学にも貢献する ANNの性能を決定する変数(伝達関数・学習サンプルのサイズ・ ネットワークのトポロジー・重みの調整技術)はほんの一例に過ぎ ない.

Slide 19

Slide 19 text

19 CNNとは 特に画像解析のために畳み込みを使用するNN CNN = C(畳み込み+プーリング) + ANN ANN→CNN 畳み込みニューラル ネットワークとは | これだけは知っておきたい 3 つのこと - MATLAB & Simulinkより引用

Slide 20

Slide 20 text

20 RNNとは 特にシーケンスデータを処理するNN ANN→RNN リカレントニューラルネットワーク (RNN) とは - MATLAB & Simulinkより引用

Slide 21

Slide 21 text

21 RNNとは 1:多→画像についての説明を出力する処理 多:1→動画データの著作権判定処理 多:多→翻訳 ANN→RNN