การรวมโหนดในชั้นแฝงเพื่อใช้เรียนรู้ข้อมูลขนาดใหญ่

Abstract

การเรียนรู้ด้วยนิวรอลเน็ตเวิร์กบนเซตข้อมูลขนาดใหญ่นั้นจะเกิดปัญหาในด้านเวลาที่ใช้ในการเรียนรู้ และความสามารถในการเรียนรู้ ในงานวิจัยนี้จึงได้เสนอวิธีการเรียนรู้ โดยใช้นิวรอลเน็ตเวิรก์ หลายเครือข่าย เรียนรู้บนเซตตัวอย่างย่อยที่สุ่มเลือ กมาจากเซตตัวอย่างทงั้ หมด จากนั้นจึงนำโหนดในชั้นซ่อนจากเน็ตเวิรก์ แต่ละอันมารวมกันเพื่อหาค่านํ้าหนักประจำโหนดในชั้นซ่อนใหม่ ผลการทดลองพบว่า วิธีการที่นำเสนอสามารถลดเวลาในการเรียนรู้บนและยังคงรักษาเปอร์เซ็นต์ความถูกต้องได้เหมือนกับการใช้เซตตัวอย่างทั้งหมด

Integration of Hidden Nodes to Learn Large Scale Data

Kritsanatt Boonkiatpong and Sukree Sinthupinyo

Learning on large scale data set can cause problem in both learning time and learning capability. This research thus proposes a novel method that uses multiple neural networks to learn from multiple subsets extracted from the whole original data set. Then, we employ another method to integrate weight of hidden nodes from each network. The experimental results show that the proposed method can not only reduce the learning time, but also preserve the accuracy.