Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Roder, Mateus | - |
Autor(es): dc.creator | de Rosa, Gustavo Henrique | - |
Autor(es): dc.creator | de Albuquerque, Victor Hugo C. | - |
Autor(es): dc.creator | Rossi, Andre L. D. | - |
Autor(es): dc.creator | Papa, Joao P. | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:44:58Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:44:58Z | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2019-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/TETCI.2020.3043764 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/205676 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/205676 | - |
Descrição: dc.description | Deep learning architectures have been widely fostered throughout the last years, being used in a wide range of applications, such as object recognition, image reconstruction, and signal processing. Nevertheless, such models suffer from a common problem known as overfitting, which limits the network from predicting unseen data effectively. Regularization approaches arise in an attempt to address such a shortcoming. Among them, one can refer to the well-known Dropout, which tackles the problem by randomly shutting down a set of neurons and their connections according to a certain probability. Therefore, this approach does not consider any additional knowledge to decide which units should be disconnected. In this paper, we propose an energy-based Dropout (E-Dropout) that makes conscious decisions whether a neuron should be dropped or not. Specifically, we design this regularization method by correlating neurons and the model’s energy as an importance level for further applying it to energy-based models, such as Restricted Boltzmann Machines (RBMs). The experimental results over several benchmark datasets revealed the proposed approach’s suitability compared to the traditional Dropout and the standard RBMs. | - |
Descrição: dc.description | São Paulo State University, Sao Paulo, SP 17033360 Brazil (e-mail: mateus.roder@unesp.br). | - |
Descrição: dc.description | São Paulo State University, Sao Paulo, SP 17033360 Brazil (e-mail: gustavo.rosa@unesp.br). | - |
Descrição: dc.description | ARMTEC Tecnologia em Robótica, Fortaleza, /CE 60150000 Brazil (e-mail: victor.albuquerque@ieee.org). | - |
Descrição: dc.description | São Paulo State University, Sao Paulo, SP 17033360 Brazil (e-mail: andre.rossi@unesp.br). | - |
Descrição: dc.description | São Paulo State University, Sao Paulo, SP 17033360 Brazil (e-mail: joao.papa@unesp.br). | - |
Idioma: dc.language | en | - |
Relação: dc.relation | IEEE Transactions on Emerging Topics in Computational Intelligence | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Computational modeling | - |
Palavras-chave: dc.subject | Dropout | - |
Palavras-chave: dc.subject | energy-based dropout | - |
Palavras-chave: dc.subject | Image reconstruction | - |
Palavras-chave: dc.subject | machine learning | - |
Palavras-chave: dc.subject | Mathematical model | - |
Palavras-chave: dc.subject | Neurons | - |
Palavras-chave: dc.subject | regularization | - |
Palavras-chave: dc.subject | restricted boltzmann machines | - |
Palavras-chave: dc.subject | Standards | - |
Palavras-chave: dc.subject | Task analysis | - |
Palavras-chave: dc.subject | Training | - |
Título: dc.title | Energy-Based Dropout in Restricted Boltzmann Machines: Why Not Go Random | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: