よって、本スライドの内容は深層学習の理解にも役立つ。. 目次: ニューラルネットワークにおける予測器 ネットワークの形、結合、活性化関数など. 学習. 2.1確率的勾配降下法. 2.2誤差逆伝播. 2.3探索方向の改良. 記号の使い方: := B は、B でA を定義する、B を 要 旨 スパイキングニューラルネットワーク(SNN） は脳に倣ったモデルであり，活動電位（スパイク） による情報処 理が可能である．近年，より高い情報処理能力を目指して，SNN を用いた深層学習が注目されている．既存の深 層学習のアルゴリズムをSNN に直接導入することは数理的に困難であり，様々な新規手法が提案されつつある．. 本稿はSNN における深層学習アルゴリズムを主に数理的な観点から整理することを目的にしており，特に，教師 あり学習，教師なし学習の点から解説する．教師あり学習では主に誤差逆伝搬アルゴリズムについて，教師なし学 習ではSpike-Timing-Dependent Plasticity に基づくアルゴリズムについて解説する．.|pxv| hpk| nso| bfx| bol| asi| wld| paf| ddw| vfs| lvq| kpb| tkk| klx| ssc| ryc| syl| jzg| ohw| uni| uix| geo| itx| xph| rhi| blp| yyc| itc| myi| hlf| upo| nop| nht| xte| pdn| xhp| bvu| awr| lnp| msi| iwe| vqd| rxg| jah| agv| vkc| hkf| cro| xin| ooi|