ترجمه مقاله یادگیری شمارش دقیق و برآورد تقریبی در مدل های شبکه عصبی عمیق – سال 2021
مشخصات مقاله:
عنوان فارسی مقاله:
یادگیری شمارش دقیق و برآورد تقریبی در مدل های شبکه عصبی عمیق
عنوان انگلیسی مقاله:
Learning exact enumeration and approximate estimation in deep neural network models
کلمات کلیدی مقاله:
درک اعداد، اعداد تقریبی، اعداد دقیق، شبکه های عصبی عمیق، مدلسازی مفهومی، بازنمایی ها
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی، مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
۱. مقدمه
۲. روش ها
۲.۱. مدل شبکه عصبی کانولوشن سلسله مراتبی
۲.۲ مدل شبکه باور عمیق
۲.۳. مجموعه داده های تکثر
۲.۴. منحنی های تنظیم
۲.۵. تحلیل شباهت بازنمایی
۲.۶. نمودارهای هینتون
۲.۷. خط مبنای تنظیم شده مساحت
۳. نتایج
۳.۱. عملکرد طبقه بندی تکثر
۳.۲. بازنمایی تکثر سطح جمعیت
3.3. بازنمایی های تک واحدی تکثر
۳.۴. ویژگی های غیر عددی
۴. بحث
منابع
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
A system for approximate number discrimination has been shown to arise in at least two types of hierarchical neural network models—a generative Deep Belief Network (DBN) and a Hierarchical Convolutional Neural Network (HCNN) trained to classify natural objects. Here, we investigate whether the same two network architectures can learn to recognise exact numerosity. A clear difference in performance could be traced to the specificity of the unit responses that emerged in the last hidden layer of each network. In the DBN, the emergence of a layer of monotonic ‘summation units’ was sufficient to produce classification behaviour consistent with the behavioural signature of the approximate number system. In the HCNN, a layer of units uniquely tuned to the transition between particular numerosities effectively encoded a thermometer-like ‘numerosity code’ that ensured near-perfect classification accuracy. The results support the notion that parallel pattern-recognition mechanisms may give rise to exact and approximate number concepts, both of which may contribute to the learning of symbolic numbers and arithmetic.
چکیده
یک سیستم برای تفکیک پذیری اعداد تقریبی نشان داده شده است تا حداقل در دو نوع مدل شبکه عصبی سلسله مراتبی- یک شبکه باور عمیق مولد (DBN) بوجود آید و یک شبکه عصبی کانولوشن سلسله مراتبی (HCNN) برای طبقه بندی آبجکت های طبیعی آموزش داده شود. در اینجا، این موضوع را بررسی می کنیم که آیا دو معماری شبکه مشابه می توانند درباره تشخیص دقیق تکثر بیاموزند یا خیر. تفاوت واضح در عملکرد را می توان برای اختصاصی کردن پاسخ های واحد که در آخرین لایه پنهان هر شبکه ظاهر می شوند، پیگیری کرد. در DBN، ظهور یک لایه از واحدهای مجموع یکنوا، برای ایجاد رفتار طبقه بندی سازگار با امضای رفتاری سیستم عدد تقریبی کافی بود. در HCNN، لایه ای از واحدها که به صورت منحصربفردی برای انتقال بین اعداد خاص تنظیم شده اند، یک کد تکثر شبیه دماسنج را یه صورت موثری رمزگذاری می کنند که دقت طبقه بندی تقریبا کامل را تضمین می کند. نتایج نشان می دهند که مکانیسم های تشخیص الگوی موازی ممکن است مفاهیم اعداد تقریبی و دقیق را ایجاد کنند، هر کدام از آنها ممکن است که به یادگیری اعداد و حساب نمادین کمک کنند.
