机构名称：
¥ 1.0
摘要 深度学习的发展导致人工智能的应用数量急剧增加。然而，训练更深层的神经网络以建立稳定而准确的模型会转化为人工神经网络 (ANN)，随着特征数量的增加，这些神经网络会变得难以管理。这项工作扩展了我们之前的研究，我们探索了通过在 ANN 训练过程中依次加强自由尺度性、小世界性和稀疏性所获得的加速效果。最近的研究（独立进行）证实了这种方法的效率，其中在非专用笔记本电脑上训练了一个百万节点的 ANN。受这些结果的鼓舞，我们现在将研究重点放在一些可调参数上，以追求进一步的加速效果。我们表明，尽管由于 ANN 问题的高度非线性，最佳参数调整是不可行的，但我们实际上可以提出一套有用的指导方针，从而在实际情况下提高速度。我们发现，通过将修改后的分数参数（ζ）设置为相对较低的值通常可以显著减少执行时间。
通过网络科学策略加速人工神经网络训练
主要关键词
相关文件推荐
