Počet záznamů: 1
Kernel Function Tuning for Single-Layer Neural Networks
- 1.
SYSNO ASEP 0493061 Druh ASEP J - Článek v odborném periodiku Zařazení RIV J - Článek v odborném periodiku Poddruh J Článek ve SCOPUS Název Kernel Function Tuning for Single-Layer Neural Networks Tvůrce(i) Vidnerová, Petra (UIVT-O) RID, SAI, ORCID
Neruda, Roman (UIVT-O) SAI, RID, ORCIDZdroj.dok. International Journal of Machine Learning and Computing. - : International Association of Computer Science and Information Technology - ISSN 2010-3700
Roč. 8, č. 4 (2018), s. 354-360Poč.str. 7 s. Jazyk dok. eng - angličtina Země vyd. SG - Singapur Klíč. slova radial basis function networks ; shallow neural networks ; kernel methods ; hyper-parameter tuning Vědní obor RIV IN - Informatika Obor OECD Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8) CEP GA15-18108S GA ČR - Grantová agentura ČR Institucionální podpora UIVT-O - RVO:67985807 EID SCOPUS 85051862837 Anotace This paper describes an unified learning framework for kernel networks with one hidden layer, including models like radial basis function networks and regularization networks. The learning procedure consists of meta-parameter tuning wrapping the standard parameter optimization part. Several variants of learning are described and tested on various classification and regression problems. It is shown that meta-learning can improve the performance of models for the price of higher time complexity. © 2018, International Association of Computer Science and Information Technology. Pracoviště Ústav informatiky Kontakt Tereza Šírová, sirova@cs.cas.cz, Tel.: 266 053 800 Rok sběru 2019 Elektronická adresa http://www.ijmlc.org/index.php?m=content&c=index&a=show&catid=79&id=831
Počet záznamů: 1