中华电信
2018AIoT

NEC研发深度学习自动优化技术

  • 台北讯
因应学习资料量变化的辨识错误率走势图。

台北讯

日前,NEC宣布研发出提高辨识精准度更为简易的「深度学习自动优化技术」。以往进行深度学习(Deep Learning)时,依据类神经网络的构造来调整学习方式相当困难,所以无法在整个网络学习时达到最优化, 因而无法充分发挥原本的辨识效能。本次NEC研发的技术,搭配类神经网络学习的进度,因应其构造自动进行优化,能够轻易达到比过去更高的辨识精准度。

运用本技术,在影像辨识及声音辨识等运用深度学习技术的个个领域,能够进一步提升辨识的精准度。例如,提升人脸辨识与行为解析等影像监控的辨识精准度,在基础设施等处进行保养点检时提升效率,更可望自动检测出故障、事故或灾害等情况。

近年来,深度学习已有飞跃性的进展。以影像辨识、声音辨识为始,广泛运用在不同领域上。所谓的深度学习,是运用具备多层构造的类神经网络,让计算机学习事先准备好的资料,进而提升辨识精准度。然而,若计算机过度学习资料,则会出现「过度训练」的现象,也就是只有学习过的资料才有较高的辨识精准度,辨识从未学习过的资料时精准度就会下降。为了避免这种情况的发生,通常会使用「正规化」方式,来调整深度学习的过程。

类神经网络的学习过程,会因应结构而产生复杂的变化,所以过去只能对整个类神经网络进行同样的正规化方式。结果在类神经网络各层之中,有些出现过度训练现象、有些则无法顺利学习等问题,因而难以充分发挥原有的辨识效能。此外,由于逐一手动调整各层学习进度极为困难,市面上对自动化调整的需求呼声也相当高。

NEC本次研发的技术,是依据类神经网络的结构,预测每一层的学习进度,并因应各层学习进度逐层自动设定正规化。透过这样的技术,能够优化整个类神经网络的学习情况,与传统作法相比,更能降低20%的辨识错误率,辨识精准度有所改善。

新技术的优点

依据类神经网络的结构,自动优化学习情况:依据类神经网络的结构,预测每一层的学习进度,并因应各层学习进度逐层自动设定正规化。透过这样的技术,能够优化整个类神经网络的学习情况,也解决了过去各层过度训练、无法顺利学习的问题。不仅如此,运用本技

计算量与过往相同,也能轻松达到高精准度:在类神经网络进行深度学习之前,只须运行本技术一次,即使学习的计算量与过往相同,也能轻松达到高精准度。NEC集团致力于全球推广「社会解决方案事业」,以提供安全.安心.效率.公平的社会价值,融合先进的ICT技术与知识,实现更为明亮而丰裕、更具效率而精粹的社会。

更多关键字报导: 恩益禧(NEC)