1992
Direct Approaches to Improving the Robustness of Multilayer Neural Networks
BUGMANN, Guido, Petr SOJKA, Michael REISS, Mark PLUMBLEY, John G. TAYLOR et. al.Základní údaje
Originální název
Direct Approaches to Improving the Robustness of Multilayer Neural Networks
Název česky
Přímé postupy pro zvýšení robustnosti vícevrstných neuronových sítí
Autoři
BUGMANN, Guido (756 Švýcarsko), Petr SOJKA (203 Česká republika, garant), Michael REISS (826 Velká Británie a Severní Irsko), Mark PLUMBLEY (826 Velká Británie a Severní Irsko) a John G. TAYLOR (826 Velká Británie a Severní Irsko)
Vydání
Brighton, UK, Artificial Neural Networks II: Proceedings of the International Conference on Artificial Neural Networks ICANN 1999, s. 1063-1066, 1992
Nakladatel
Elsevier Science Publishers B.V.
Další údaje
Jazyk
angličtina
Typ výsledku
Stať ve sborníku
Obor
20200 2.2 Electrical engineering, Electronic engineering, Information engineering
Stát vydavatele
Velká Británie a Severní Irsko
Utajení
není předmětem státního či obchodního tajemství
Odkazy
Organizační jednotka
Fakulta informatiky
ISBN
0-444-89488-8
UT WoS
A1992BX31W00223
Klíčová slova anglicky
multilayer perceptron; back propagation; robustness of neural nets
Změněno: 19. 6. 2009 16:03, doc. RNDr. Petr Sojka, Ph.D.
V originále
Multilayer neural networks trained with backpropagation are in general not robust against the loss of a hidden neuron. In this paper we define a form of robustness called 1-node robustness and propose methods to improve it. One approach is based on modification of the error function by the addition of a ``robustness error''. It leads to more robust networks but at the cost of a reduced accuracy. A second approach, ``pruning-and-duplication'', consists of duplicating the neurons whose loss is the most damaging for the network. Pruned neurons are used for the duplication. This procedure leads to robust and accurate networks at low computational cost. It may also prove beneficial for generalisation.
Česky
Vícevrstvé neuronové sítě učené metodou zpětného šíření obecně nejsou robustní vůči ztrátě neuronu ve skryté vrstvě. V tomto příspěvku definujeme formu robustnosti nazývanou jednoneuronová robustnost a navrhujeme metody pro její zlepšení. Jeden přístup je založen na modifikaci chybové funkce přidáním členu s `chybou robustnosti'. To vede k robustnějším sítím, ale za cenu horší přesnosti. Druhý přístup, `promaž a zduplikuj', sestává z duplikace těch neuronů, jejichž ztráta je pro funkci sítě nejvíce destruktivní. Tento postup vede k robustním a přesným sítím při nízké výpočetní náročnosti. Také se zlepšují generalizační vlastnosti.