دانلود مقاله انگلیسی رایگان:بررسی و تجزیه و تحلیل هرس هایپر و هیپو نورون برای بروزرسانی انتخابی نورون ها در طی سازگاری بدون نظارت - 2020
تبریک غدیر خم

با سلام خدمت کاربران عزیز، به اطلاع می رساند ترجمه مقالاتی که سال انتشار آن ها زیر 2008 می باشد رایگان بوده و میتوانید با وارد شدن در صفحه جزییات مقاله به رایگان ترجمه را دانلود نمایید.

دانلود مقاله انگلیسی شبکه های نورونی رایگان
  • Investigation and analysis of hyper and hypo neuron pruning to selectively update neurons during unsupervised adaptation Investigation and analysis of hyper and hypo neuron pruning to selectively update neurons during unsupervised adaptation
    Investigation and analysis of hyper and hypo neuron pruning to selectively update neurons during unsupervised adaptation

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Investigation and analysis of hyper and hypo neuron pruning to selectively update neurons during unsupervised adaptation


    ترجمه فارسی عنوان مقاله:

    بررسی و تجزیه و تحلیل هرس هایپر و هیپو نورون برای بروزرسانی انتخابی نورون ها در طی سازگاری بدون نظارت


    منبع:

    Sciencedirect - Elsevier - Digital Signal Processing, 99 (2020) 102655. 10.1016/j.dsp.2019.102655


    نویسنده:

    VikramjitMitraa,∗, HoracioFrancob


    چکیده انگلیسی:

    Unseen or out-of-domain data can seriously degrade the performance of a neural network model, indicating the model’s failure to generalize to unseen data. Neural net pruning can not only help to reduce a model’s size but can improve the model’s generalization capacity as well. Pruning approaches look for low-salient neurons that are less contributive to a model’s decision and hence can be removed from the model. This work investigates if pruning approaches are successful in detecting neurons that are either high-salient (mostly active or hyper) or low-salient (barely active or hypo), and whether removal of such neurons can help to improve the model’s generalization capacity. Traditional blind adaptation techniques update either the whole or a subset of layers, but have never explored selectively updating individual neurons across one or more layers. Focusing on the fully connected layers of a convolutional neural network (CNN), this work shows that it may be possible to selectively adapt certain neurons (consisting of the hyper and the hypo neurons) first, followed by a full-network fine tuning. Using the task of automatic speech recognition, this work demonstrates how the removal of hyper and hypo neurons from a model can improve the model’s performance on out-of-domain speech data and how selective neuron adaptation can ensure improved performance when compared to traditional blind model adaptation.
    Keywords: Neural net pruning | Unsupervised adaptation | Convolutional neural network speech | recognition robustness machine learning


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 11
    حجم فایل: 575 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi