Rezanje nevronskih mrež z matrično faktorizacijo : diplomsko delo

Roštan, Teja (avtor), Curk, Tomaž (mentor)

Matrično faktorizacijo, ki se povezuje s postopkom zlivanja podatkov, uporabljamo za odkrivanje vzorcev oziroma skupin v podatkih. Faktorizirani model preslika podatke v nižje-dimenzionalen prostor, jih tako skrči in odpravi del šuma. Tovrstni modeli so zato navadno bolj robustni in imajo višjo napovedno točnost. Pri nevronskih mrežah bi tako znali reševati problem prevelike prilagojenosti podatkom (angl. overtting) in pridobili pri generalizaciji. V nalogi smo preučili, ali s hkratno faktorizacijo parametrov nevronske mreže, ki jih je možno predstaviti z več matrikami, odstranimo (porežemo) nepomembne povezave in tako izboljšamo napovedno točnost mreže. Predlagani postopek rezanja smo preizkusili na navadnih in globokih nevronskih mrežah. Po uspešnosti je primerljiv z ostalimi najuspešnejšimi standardnimi pristopi rezanja nevronskih mrež.

• Jezik: Slovenski jezik
• Ključne besede: nevronske mreže, matrična faktorizacija, rezanje
• Vrsta gradiva: Diplomsko delo/naloga
• Tipologija: 2.11 - Diplomsko delo
• Organizacija: FRI - Fakulteta za računalništvo in informatiko
• Založnik: [T. Roštan]
• Leto izida: 2015
• Št. strani: 52 str.
• PID: 20.500.12556/RUL-72321
• COBISS.SI-ID: 1536482243
• Datum objave v RUL: 11.09.2015

ROŠTAN, Teja, 2015, Rezanje nevronskih mrež z matrično faktorizacijo : diplomsko delo [na spletu]. Diplomsko delo. T. Roštan. [Dostopano 2 maj 2025]. Pridobljeno s: https://repozitorij.uni-lj.si/IzpisGradiva.php?lang=slv&id=72321

Sekundarni jezik

• Jezik: Angleški jezik
• Naslov: Pruning neural network using matrix factorization

Izvleček

Matrix factorization and the procedure of data fusion are used to detect patterns in data. The factorized model maps the data to a low-dimensional space, therefore shrinking it and partially eliminating noise. Factorized models are thus more robust and have a higher predictive accuracy. With this procedure we could solve the problem of overtting in neural networks and improve their ability to generalize. Here, we report on how to simultaneously factorize the parameters of a neural network, which can be represented with multiple matrices, to prune not important connections and therefore improve predictive accuracy. We report on empirical results of pruning normal and deep neural networks. The proposed method performs similarly to the best standard approaches to pruning neural networks.

• Ključne besede: neural networks, matrix factorization, pruning