Function shaping in deep learning
Doctoral Thesis
Ēvalds Urtāns, Rīgas Tehniskā universitāte, Latvija
Darbs apraksta kļūdas funkciju un ar to saistītu metožu ietekmi uz dziļo stimulēto mašīnmācīšanos un dziļo metriku mašīnmācīšanos. Jaunizveidotā MDQN kļūdas funkcija pārspēja DDQN kļūdas funkciju PLE datorspēļu vidēs, un jaunizveidotā eksponenciālās trijotnes kļūdas funkcija pārspēja standarta trijotnes kļūdas funkciju sejas reidentifikācijas uzdevumā, izmantojot VGGFace2 datu kopu. Tā sasniedz 85,7 % precizitāti, izmantojot nulles-šāviena metodi. Tika izveidots arī UNet-RNN-Skip modelis, kas uzlabo veiktspēju vērtību funkcijai ceļu plānošanas uzdevumos.
Papildus informācija
Izdevuma tips | |
---|---|
Aizstāvēšanas datums | 01.12.2021. |
Formāts | |
Lappušu skaits | 165 |
Publicēts tiešsaistē | |
Valoda | |
Izdevējs | RTU Izdevniecība |
Publicēšanas valsts | Latvija |
You must be logged in to post a review.
Atsauksmes
Vēl nav nevienas atsauksmes.