Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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