Improving the speed and quality of extreme learning machine by conjugate gradient method
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F18%3A10241695" target="_blank" >RIV/61989100:27240/18:10241695 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-60834-1_14" target="_blank" >http://dx.doi.org/10.1007/978-3-319-60834-1_14</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-60834-1_14" target="_blank" >10.1007/978-3-319-60834-1_14</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Improving the speed and quality of extreme learning machine by conjugate gradient method
Popis výsledku v původním jazyce
Extreme Learning Machine (ELM) is a novel learning algorithm. It is basically a feedforward neural network with one hidden layer, fixed input weights and fixed biases. ELM has become popular in recent years due to the fast learning speed and good generalization performance. A novel approach based on Conjugate Gradient Method (CG) is proposed in this Article to improve original ELM. As experiments show, proposed approach is both faster and have higher quality on all tested datasets. Results have also shown that higher quality can be achieved after four iterations of CG. This means that expensive pseudo-inverse operation used in the original algorithm can be replaced by four matrix-vector multiplication and several scalar products. Therefore the proposed approach is more suitable for parallel architectures or can be used for larger datasets. (C) 2018, Springer International Publishing AG.
Název v anglickém jazyce
Improving the speed and quality of extreme learning machine by conjugate gradient method
Popis výsledku anglicky
Extreme Learning Machine (ELM) is a novel learning algorithm. It is basically a feedforward neural network with one hidden layer, fixed input weights and fixed biases. ELM has become popular in recent years due to the fast learning speed and good generalization performance. A novel approach based on Conjugate Gradient Method (CG) is proposed in this Article to improve original ELM. As experiments show, proposed approach is both faster and have higher quality on all tested datasets. Results have also shown that higher quality can be achieved after four iterations of CG. This means that expensive pseudo-inverse operation used in the original algorithm can be replaced by four matrix-vector multiplication and several scalar products. Therefore the proposed approach is more suitable for parallel architectures or can be used for larger datasets. (C) 2018, Springer International Publishing AG.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Advances in intelligent systems and computing. Volume 565
ISBN
978-3-319-60833-4
ISSN
2194-5357
e-ISSN
neuvedeno
Počet stran výsledku
10
Strana od-do
128-137
Název nakladatele
Springer
Místo vydání
Berlin
Místo konání akce
Marrákeš
Datum konání akce
21. 11. 2016
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—