Kernel Function Tuning for Single-Layer Neural Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F18%3A00493061" target="_blank" >RIV/67985807:_____/18:00493061 - isvavai.cz</a>

Výsledek na webu

<a href="http://www.ijmlc.org/index.php?m=content&c=index&a=show&catid=79&id=831" target="_blank" >http://www.ijmlc.org/index.php?m=content&c=index&a=show&catid=79&id=831</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Kernel Function Tuning for Single-Layer Neural Networks

Popis výsledku v původním jazyce

This paper describes an unified learning framework for kernel networks with one hidden layer, including models like radial basis function networks and regularization networks. The learning procedure consists of meta-parameter tuning wrapping the standard parameter optimization part. Several variants of learning are described and tested on various classification and regression problems. It is shown that meta-learning can improve the performance of models for the price of higher time complexity. © 2018, International Association of Computer Science and Information Technology.

Název v anglickém jazyce

Kernel Function Tuning for Single-Layer Neural Networks

Popis výsledku anglicky

This paper describes an unified learning framework for kernel networks with one hidden layer, including models like radial basis function networks and regularization networks. The learning procedure consists of meta-parameter tuning wrapping the standard parameter optimization part. Several variants of learning are described and tested on various classification and regression problems. It is shown that meta-learning can improve the performance of models for the price of higher time complexity. © 2018, International Association of Computer Science and Information Technology.

Druh

J_SC - Článek v periodiku v databázi SCOPUS

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA15-18108S" target="_blank" >GA15-18108S: Modelová složitost neuronových, radiálních a jádrových sítí</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

International Journal of Machine Learning and Computing

ISSN

2010-3700

e-ISSN

—

Svazek periodika

8

Číslo periodika v rámci svazku

4

Stát vydavatele periodika

SG - Singapurská republika

Počet stran výsledku

7

Strana od-do

354-360

Kód UT WoS článku

—

EID výsledku v databázi Scopus

2-s2.0-85051862837