Βαθιά νευρωνικά δίκτυα με μηχανές διανυσμάτων υποστήριξης στο επίπεδο εξόδου
Notice bibliographique
Résumé
Η παρούσα εργασία ασχολείται με την μελέτη της επίδοσης των νευρωνικών δικτύων με τη χρήση μηχανών διανυσμάτων υποστήριξης στο επίπεδο εξόδου. Η χρήση των μηχανών διανυσμάτων υποστήριξης στο επίπεδο εξόδου, επιτυγχάνονται καλύτερα ποσοστά ακρίβειας αφού γίνεται προσπάθεια εύρεσης ενός βέλτιστου ορίου απόφασης μεταξύ των δεδομένων. Η υλοποίηση των πειραμάτων πραγματοποιήθηκε σε νευρωνικά δίκτυα Multilayer Perceptron και σε συνελικτικά νευρωνικά δίκτυα. Χρησιμοποιήθηκαν τρία σύνολα δεδομένων όπως: MNIST, CIFAR-10 και CIFAR-100 και αποτελούνταν από πέντε ενδιάμεσα επίπεδα με διαφορετικό αριθμό κόμβων. Τα καλύτερα ποσοστά ακρίβειας που επιτυγχάνονται για το σύνολο δεδομένων MNIST με τη χρήση δύο επιπέδων, είναι για το MLP 0.9838 και με την χρήση του SVM ταξινομητή 0.9848. Για το σύνολο δεδομένων CIFAR-10 το καλύτερο ποσοστό ακρίβειας με τη χρήση τριών επιπέδων για το νευρωνικό δίκτυο MLP 0.454 και με την χρήση του SVM ταξινομητή 0.49. \n \nΑκόμα, για το σύνολο δεδομένων CIFAR-100 το καλύτερο ποσοστό ακρίβειας που επιτυγχάνεται είναι με τη χρήση δύο ενδιάμεσων επιπέδων για το MLP 0.1857 και με την χρήση του SVM ταξινομητή 0.2201. Τέλος, εκτελέστηκαν πειράματα και σε αρχιτεκτονικές συνελικτικών δικτύων επιτυγχάνοντας ποσοστά σφάλματος για τον SVM ταξινομητή 2.39% και για το συνελικτικό δίκτυο 2.46%.
Conservé avec la notice de tri, où il sert de preuve aux étiquettes ci-dessus.
Comment cette classification a été obtenuedéplier
Le tri à trois modèles
les 5 600 travaux triés →Les trois modèles l'ont jugé hors champ.
Dissertation benchmarking neural networks with SVM output layers; machine learning.
It evaluates neural-network classifiers on benchmark datasets, not research methodology as an object.
Machine-learning dissertation comparing neural nets and SVMs on image benchmarks; method use, not research about research.
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,118 | 0,048 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».