In this paper, the architecture of

In this paper, the architecture of feedforward kernel neural networks (FKNN) is proposed, which can
include a considerably large family of existing feedforward neural networks and hence can meet most
practical requirements. Different from the common understanding of learning, it is revealed that when
the number of the hidden nodes of every hidden layer and the type of the adopted kernel based activation
functions are pre-fixed, a special kernel principal component analysis (KPCA) is always implicitly
executed, which can result in the fact that all the hidden layers of such networks need not be tuned and
their parameters can be randomly assigned and even may be independent of the training data. Therefore,
the least learning machine (LLM) is extended into its generalized version in the sense of adopting
much more error functions rather than mean squared error (MSE) function only. As an additional merit,
it is also revealed that rigorous Mercer kernel condition is not required in FKNN networks. When the
proposed architecture of FKNN networks is constructed in a layer-by-layer way, i.e., the number of the
hidden nodes of every hidden layer may be determined only in terms of the extracted principal components
after the explicit execution of a KPCA, we can develop FKNN’s deep architecture such that its
deep learning framework (DLF) has strong theoretical guarantee. Our experimental results about image
classification manifest that the proposed FKNN’s deep architecture and its DLF based learning indeed
enhance the classification performance.

ผลลัพธ์ (ไทย) 1:

ในเอกสารนี้ สถาปัตยกรรม feedforward ข่ายประสาทเคอร์เนล (FKNN) มีการนำเสนอ ซึ่งสามารถมีครอบครัวใหญ่มากของเครือข่ายประสาท feedforward อยู่ และดังนั้น สามารถตอบสนองมากที่สุดต้องปฏิบัติ แตกต่างจากความเข้าใจทั่วไปของการเรียนรู้ มันจะเปิดเผยว่า เมื่อหมายเลขของโหนดที่ซ่อนทุกชั้นซ่อนและชนิดของการเปิดใช้งานเคอร์เนลบุญธรรมตามก่อนคงที่ฟังก์ชัน การวิเคราะห์ส่วนประกอบหลักพิเศษเคอร์เนล (KPCA) เป็นนัยดำเนินการ ซึ่งอาจส่งผลข้อเท็จจริงว่า ชั้นซ่อนอยู่ทั้งหมดของเครือข่ายดังกล่าวต้องไม่ถูกปรับช่องรับสัญญาณ และพารามิเตอร์ของพวกเขาสามารถใช้ได้ และยังอาจขึ้นอยู่กับข้อมูลการฝึกอบรม ดังนั้นเครื่องจักรเรียนรู้น้อยที่สุด (LLM) จะขยายไปรุ่นของเมจแบบทั่วไปในแง่ของการใช้มากฟังก์ชันข้อผิดพลาดแทนที่ฟังก์ชันข้อผิดพลาดกำลังสองเฉลี่ย (MSE) เท่านั้น เป็นการเพิ่มเติมบุญนอกจากนี้ยังเปิดเผยว่า เงื่อนไขเคอร์เนลเซ็ตต์อย่างเข้มงวดไม่ต้องเครือข่าย FKNN เมื่อการสถาปัตยกรรมของเครือข่าย FKNN ถูกสร้างขึ้นในชั้นโดยชั้น เช่น หมายเลขของการนำเสนอซ่อนโหนทุกเลเยอร์ที่ถูกซ่อนอาจถูกกำหนดในรูปแบบของการแยกส่วนประกอบหลักเท่านั้นหลังจากการดำเนินการที่ชัดเจนของการ KPCA เราสามารถพัฒนาสถาปัตยกรรมลึกของ FKNN เช่นว่านั้นกรอบการเรียนรู้แบบลึก (DLF) ทฤษฎีรับประกันแข็งแรงได้ ผลการทดลองของเราเกี่ยวกับรูปภาพรายการประเภทที่เป็น FKNN นำเสนอสถาปัตยกรรมลึกและของ DLF ใช้เรียนแน่นอนเพิ่มประสิทธิภาพการจัดประเภท

ผลลัพธ์ (ไทย) 2:

ในบทความนี้สถาปัตยกรรมของเครือข่ายประสาท feedforward เคอร์เนล (FKNN)
เสนอซึ่งสามารถรวมถึงครอบครัวใหญ่มากของที่มีอยู่เครือข่ายประสาทfeedforward
และด้วยเหตุนี้ส่วนใหญ่สามารถตอบสนองความต้องการในทางปฏิบัติ แตกต่างจากความเข้าใจร่วมกันของการเรียนรู้มันถูกเปิดเผยว่าเมื่อจำนวนโหนดที่ซ่อนอยู่ในทุกชั้นที่ซ่อนอยู่และชนิดของเมล็ดนำมาใช้ตามเปิดใช้งานฟังก์ชั่นก่อนการแก้ไขเคอร์เนลพิเศษวิเคราะห์องค์ประกอบหลัก(KPCA) อยู่เสมอโดยปริยายดำเนินการซึ่งจะส่งผลในความจริงที่ว่าทุกชั้นที่ซ่อนอยู่ของเครือข่ายดังกล่าวไม่จำเป็นต้องปรับและค่าพารามิเตอร์ของพวกเขาสามารถสุ่มและอาจจะเป็นอิสระของข้อมูลการฝึกอบรม ดังนั้นเครื่องการเรียนรู้น้อย (LLM) จะยื่นออกไปในรุ่นทั่วไปในแง่ของการใช้ฟังก์ชั่นอื่นๆ อีกมากมายข้อผิดพลาดมากกว่าหมายถึงข้อผิดพลาดกำลังสอง (MSE) ฟังก์ชั่นเท่านั้น ในฐานะที่เป็นบุญเพิ่มเติมก็ยังเผยให้เห็นว่าสภาพเคอร์เนลเมอร์เซอร์อย่างเข้มงวดไม่จำเป็นต้องใช้ในระบบเครือข่าย FKNN เมื่อสถาปัตยกรรมเสนอของเครือข่าย FKNN ถูกสร้างในทางที่ชั้นโดยชั้นคือจำนวนของโหนดที่ซ่อนอยู่ในทุกชั้นซ่อนอาจถูกกำหนดเฉพาะในแง่ของการสกัดองค์ประกอบหลักหลังจากที่การดำเนินการที่ชัดเจนของKPCA เรา สามารถพัฒนาสถาปัตยกรรมลึก FKNN ดังกล่าวว่ามันกรอบการเรียนรู้ลึก(DLF) มีการรับประกันทฤษฎีที่แข็งแกร่ง ผลการทดลองของเราเกี่ยวกับภาพการจัดหมวดหมู่อย่างชัดแจ้งว่าการเสนอสถาปัตยกรรมลึก FKNN และการเรียนรู้ตามจริง DLF เพิ่มประสิทธิภาพการจัดหมวดหมู่

ผลลัพธ์ (ไทย) 3:

ในกระดาษนี้ สถาปัตยกรรมของโครงข่ายประสาทเทียม ( fknn ไปข้างหน้า kernel ) คือ การนำเสนอ ซึ่งสามารถ
รวมครอบครัวมากขนาดใหญ่ที่มีเครือข่ายประสาทไปข้างหน้าและจึงสามารถตอบสนองความต้องการในทางปฏิบัติมากที่สุด

ที่แตกต่างจากความเข้าใจทั่วไปของการเรียนรู้ พบว่า เมื่อ
จำนวนของโหนดที่ซ่อนของทุกชั้นซ่อนและชนิดของเมล็ด โดยการประกาศใช้
ฟังก์ชันก่อนซ่อม พิเศษในการวิเคราะห์องค์ประกอบหลัก ( kpca ) เสมอโดยปริยาย
ดำเนินการ ซึ่งได้ผลในความเป็นจริงว่าทุกชั้นซ่อนของเครือข่ายดังกล่าวไม่ต้องปรับและ
พารามิเตอร์ของพวกเขาสามารถเป็นแบบสุ่มและแม้กระทั่งอาจเป็นอิสระของข้อมูลการฝึกอบรม ดังนั้น การเรียนรู้
อย่างน้อยเครื่อง ( LLM ) จะขยายเป็นรุ่นทั่วไปในแง่ของการใช้
มากขึ้นข้อผิดพลาดการทำงานมากกว่าค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ( MSE ) ฟังก์ชันเท่านั้น เป็นบุญเพิ่มเติม
พบว่าสภาพดี ไม่ต้องเคร่งครัด เมอร์เซอร์ เมล็ดในเครือข่าย fknn .เมื่อ
เสนอสถาปัตยกรรมของเครือข่าย fknn ถูกสร้างในชั้นโดยชั้นก็ตาม เช่น จำนวนของโหนดของทุกชั้นซ่อน
ที่ซ่อนอยู่อาจจะมองในแง่หลักสกัดส่วนประกอบ
หลังจากการดำเนินการที่ชัดเจนของ kpca เราสามารถพัฒนา fknn ลึกสถาปัตยกรรมเช่น กรอบของ
เรียนลึก ทฤษฎี ( idle ) มีรับประกันผลการทดลองเกี่ยวกับภาพ
การจำแนกรายการที่เสนอ fknn ลึกสถาปัตยกรรมและ DLF การเรียนรู้เพิ่มประสิทธิภาพการจำแนกแน่นอน