Most neural networks suffer from ex

Most neural networks suffer from excessive plasticity, the learning
of new information interferes with information already stored in the
network. In this paper we review the pseudorehearsal solution to
this problem proposed by Robins [1995]. By localising the changes
to the function learned by the network pseudorehearsal allows
networks to be stable in the face of new learning, successfully
integrating both new and previously learned information. In this
paper we explore the impact that this mechanism has on the ability
of the network to generalise

ผลลัพธ์ (ไทย) 1:

เครือข่ายประสาทสุดทรมานจาก plasticity มากเกินไป การเรียนรู้ข้อมูลใหม่รบกวนข้อมูลแล้วเก็บไว้ในเครือข่าย ในเอกสารนี้ เราทบทวนแก้ไข pseudorehearsalปัญหานี้เสนอ โดย Robins [1995] โดย localising นั้นให้ทำงานได้เรียนรู้ โดยเครือข่าย pseudorehearsalเครือข่ายจะมีเสถียรภาพหน้าเรียนรู้ใหม่ เสร็จเรียบร้อยแล้วรวมทั้งใหม่ และก่อนหน้านี้รู้ข้อมูล ในที่นี้กระดาษที่เราสำรวจผลกระทบกลไกนี้มีความสามารถในของเครือข่าย generalise

ผลลัพธ์ (ไทย) 2:

ส่วนใหญ่เครือข่ายประสาททุกข์ทรมานจากการปั้นที่มากเกินไปการเรียนรู้ข้อมูลใหม่รบกวนกับข้อมูลที่เก็บไว้แล้วในเครือข่าย ในบทความนี้เราจะตรวจสอบการแก้ปัญหา pseudorehearsal ไปปัญหานี้เสนอโดยร็อบบินส์[1995] โดย localising การเปลี่ยนแปลงการทำงานที่เรียนโดยpseudorehearsal เครือข่ายช่วยให้เครือข่ายจะมีเสถียรภาพในการเผชิญกับการเรียนรู้ใหม่ที่ประสบความสำเร็จในการบูรณาการทั้งใหม่และเรียนรู้ข้อมูลก่อนหน้านี้ ในการนี้กระดาษที่เราจะสำรวจผลกระทบที่กลไกนี้มีอยู่กับความสามารถของเครือข่ายที่จะพูดคุย

ผลลัพธ์ (ไทย) 3:

โครงข่ายประสาทเทียมส่วนใหญ่ประสบจากพลาสติกมากเกินไป การเรียนรู้
ข้อมูลใหม่ รบกวนข้อมูลที่เก็บอยู่ใน
เครือข่าย ในบทความนี้เราจะตรวจสอบโซลูชั่น pseudorehearsal

ปัญหานี้เสนอโดยโรบิน [ 1995 ] โดย localising เปลี่ยนแปลง
ไปยังฟังก์ชันเรียนรู้โดย pseudorehearsal เครือข่ายช่วยให้
เครือข่ายจะมีเสถียรภาพในหน้าของการเรียนรู้ใหม่เรียบร้อยแล้ว
การบูรณาการ ทั้งใหม่ และก่อนหน้านี้ได้เรียนรู้ข้อมูล ในกระดาษนี้
เราสำรวจผลกระทบที่กลไกนี้มีความสามารถ
ของเครือข่ายที่จะกล่าวสรุป