Kernel Function Tuning for Single-Layer Neural Networks
Identifikátory výsledku
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
—
Alternativní jazyky
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.
Klasifikace
Druh
J<sub>SC</sub> - 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)
Návaznosti výsledku
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)
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 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