Superkernels for RBF Networks Initialization (Short Paper)

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F18%3A00494463" target="_blank" >RIV/67985807:_____/18:00494463 - isvavai.cz</a>

Výsledek na webu

<a href="https://link.springer.com/content/pdf/bbm%3A978-3-030-01421-6%2F1.pdf" target="_blank" >https://link.springer.com/content/pdf/bbm%3A978-3-030-01421-6%2F1.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Superkernels for RBF Networks Initialization (Short Paper)

Popis výsledku v původním jazyce

One of the basic tasks solved using artificial neural networks is the regression task. In its canonical form, one seeks for adjusting network’s parameters so that its response on input training data fits the desired outputs reasonably well. Training data {xi, yi}n i=1, n ∈ N consists of points from Rd+1 Euclidean space, i.e., xi ∈ Rd, yi ∈ R. The quality of the fit is typically measured in terms of the mean integrated squared error (MISE). Various regularization techniques are considered to prevent from overfitting. Optimal setting of parameters can be specified analytically in the linear model (linear computational units), however, for the nonlinear units, the network’s parameters are set using different variants of stochastic optimization [1].

Název v anglickém jazyce

Superkernels for RBF Networks Initialization (Short Paper)

Popis výsledku anglicky

One of the basic tasks solved using artificial neural networks is the regression task. In its canonical form, one seeks for adjusting network’s parameters so that its response on input training data fits the desired outputs reasonably well. Training data {xi, yi}n i=1, n ∈ N consists of points from Rd+1 Euclidean space, i.e., xi ∈ Rd, yi ∈ R. The quality of the fit is typically measured in terms of the mean integrated squared error (MISE). Various regularization techniques are considered to prevent from overfitting. Optimal setting of parameters can be specified analytically in the linear model (linear computational units), however, for the nonlinear units, the network’s parameters are set using different variants of stochastic optimization [1].

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)

Projekt

<a href="/cs/project/GA18-23827S" target="_blank" >GA18-23827S: Schopnosti a omezení mělkých a hlubokých 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 statě ve sborníku

Artificial Neural Networks and Machine Learning – ICANN 2018. Proceedings, Part II

ISBN

978-3-030-01420-9

ISSN

—

e-ISSN

—

Počet stran výsledku

3

Strana od-do

621-623

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Rhodes

Datum konání akce

4. 10. 2018

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—