A Focused Backpropagation Algorithm for Temporal Pattern Recognition - Cronologia

Mindmakerbot il 10:31, 17 ago 2024

2024-08-17T10:31:46Z

← Versione meno recente		Versione delle 10:31, 17 ago 2024
Riga 1:		Riga 1:
	{{template pubblicazione		{{template pubblicazione
	\|data=1989		\|data=1989
	\|autori=~~Michael C~~. ~~Mozer~~		\|autori=Yves Chauvin, D. Rumelhart
	\|URL=https://www.semanticscholar.org/paper/ff5d9085699cee609cb5ca5dba8e2cb4eb03c8c0		\|URL=https://www.semanticscholar.org/paper/ff5d9085699cee609cb5ca5dba8e2cb4eb03c8c0
	\|topic=Backpropagation		\|topic=Backpropagation

Mindmakerbot il 10:25, 17 ago 2024

2024-08-17T10:25:41Z

← Versione meno recente		Versione delle 10:25, 17 ago 2024
Riga 2:		Riga 2:
	\|data=1989		\|data=1989
	\|autori=Michael C. Mozer		\|autori=Michael C. Mozer
	\|URL=https://~~wpmedia~~.~~wolfram~~.~~com~~/~~sites~~/~~13/2018/02/03-4-4.pdf~~		\|URL=https://www.semanticscholar.org/paper/ff5d9085699cee609cb5ca5dba8e2cb4eb03c8c0
	\|topic=Backpropagation		\|topic=Backpropagation
	\|citazioni=~~87686~~		\|citazioni=570
	}}		}}

Alesaccoia il 07:58, 17 ago 2024

2024-08-17T07:58:01Z

← Versione meno recente		Versione delle 07:58, 17 ago 2024
Riga 9:		Riga 9:
	Descrive una nuova architettura per reti neurali e una versione migliorata dell'algoritmo di apprendimento back-propagation, progettata per gestire in modo più efficiente le sequenze temporali, come nel caso del riconoscimento vocale.		Descrive una nuova architettura per reti neurali e una versione migliorata dell'algoritmo di apprendimento back-propagation, progettata per gestire in modo più efficiente le sequenze temporali, come nel caso del riconoscimento vocale.

	L'elemento innovativo principale è l'introduzione di uno strato di unità nascoste che si autoconnettono e integrano il loro valore corrente con nuovi input a ogni passo temporale, costruendo così una rappresentazione statica della sequenza temporale. Questo approccio permette di superare due limiti delle architetture ricorrenti tradizionali: facilita l'assegnazione del credito temporale, rendendo l'apprendimento più efficiente, ed elimina la necessità di memorizzare l'intera sequenza o i livelli intermedi di attività, poiché le informazioni possono essere calcolate localmente durante la fase di attivazione. Questo sistema è stato applicato per creare una versione temporale del modello dei verbi al passato di Rumelhart e McClelland, dimostrando che le unità nascoste possono imparare a rappresentare in modo flessibile le informazioni temporali. L'architettura proposta si distingue per una maggiore efficienza in termini di tempo e risorse e dovrebbe essere in grado di gestire meglio le sequenze lunghe rispetto alle architetture ricorrenti convenzionali.		L'elemento innovativo principale è l'introduzione di uno strato di unità nascoste che si autoconnettono e integrano il loro valore corrente con nuovi input a ogni passo temporale, costruendo così una rappresentazione statica della sequenza temporale.

Alesaccoia il 07:56, 17 ago 2024

2024-08-17T07:56:46Z

← Versione meno recente		Versione delle 07:56, 17 ago 2024
Riga 7:		Riga 7:
	}}		}}

	Descrive una nuova architettura per reti neurali e una versione migliorata dell'algoritmo di apprendimento back-propagation, progettata per gestire in modo più efficiente le sequenze temporali, come nel caso del riconoscimento vocale. L'elemento innovativo principale è l'introduzione di uno strato di unità nascoste che si autoconnettono e integrano il loro valore corrente con nuovi input a ogni passo temporale, costruendo così una rappresentazione statica della sequenza temporale. Questo approccio permette di superare due limiti delle architetture ricorrenti tradizionali: facilita l'assegnazione del credito temporale, rendendo l'apprendimento più efficiente, ed elimina la necessità di memorizzare l'intera sequenza o i livelli intermedi di attività, poiché le informazioni possono essere calcolate localmente durante la fase di attivazione. Questo sistema è stato applicato per creare una versione temporale del modello dei verbi al passato di Rumelhart e McClelland, dimostrando che le unità nascoste possono imparare a rappresentare in modo flessibile le informazioni temporali. L'architettura proposta si distingue per una maggiore efficienza in termini di tempo e risorse e dovrebbe essere in grado di gestire meglio le sequenze lunghe rispetto alle architetture ricorrenti convenzionali.		Descrive una nuova architettura per reti neurali e una versione migliorata dell'algoritmo di apprendimento back-propagation, progettata per gestire in modo più efficiente le sequenze temporali, come nel caso del riconoscimento vocale.

			L'elemento innovativo principale è l'introduzione di uno strato di unità nascoste che si autoconnettono e integrano il loro valore corrente con nuovi input a ogni passo temporale, costruendo così una rappresentazione statica della sequenza temporale. Questo approccio permette di superare due limiti delle architetture ricorrenti tradizionali: facilita l'assegnazione del credito temporale, rendendo l'apprendimento più efficiente, ed elimina la necessità di memorizzare l'intera sequenza o i livelli intermedi di attività, poiché le informazioni possono essere calcolate localmente durante la fase di attivazione. Questo sistema è stato applicato per creare una versione temporale del modello dei verbi al passato di Rumelhart e McClelland, dimostrando che le unità nascoste possono imparare a rappresentare in modo flessibile le informazioni temporali. L'architettura proposta si distingue per una maggiore efficienza in termini di tempo e risorse e dovrebbe essere in grado di gestire meglio le sequenze lunghe rispetto alle architetture ricorrenti convenzionali.

Alesaccoia il 07:56, 17 ago 2024

2024-08-17T07:56:02Z

← Versione meno recente		Versione delle 07:56, 17 ago 2024
Riga 6:		Riga 6:
	\|citazioni=87686		\|citazioni=87686
	}}		}}

			Descrive una nuova architettura per reti neurali e una versione migliorata dell'algoritmo di apprendimento back-propagation, progettata per gestire in modo più efficiente le sequenze temporali, come nel caso del riconoscimento vocale. L'elemento innovativo principale è l'introduzione di uno strato di unità nascoste che si autoconnettono e integrano il loro valore corrente con nuovi input a ogni passo temporale, costruendo così una rappresentazione statica della sequenza temporale. Questo approccio permette di superare due limiti delle architetture ricorrenti tradizionali: facilita l'assegnazione del credito temporale, rendendo l'apprendimento più efficiente, ed elimina la necessità di memorizzare l'intera sequenza o i livelli intermedi di attività, poiché le informazioni possono essere calcolate localmente durante la fase di attivazione. Questo sistema è stato applicato per creare una versione temporale del modello dei verbi al passato di Rumelhart e McClelland, dimostrando che le unità nascoste possono imparare a rappresentare in modo flessibile le informazioni temporali. L'architettura proposta si distingue per una maggiore efficienza in termini di tempo e risorse e dovrebbe essere in grado di gestire meglio le sequenze lunghe rispetto alle architetture ricorrenti convenzionali.

Alesaccoia il 07:52, 17 ago 2024

2024-08-17T07:52:54Z

@@ Riga 3: / Riga 3: @@
 |autori=Michael C. Mozer
 |URL=https://wpmedia.wolfram.com/sites/13/2018/02/03-4-4.pdf
 }}

Alesaccoia il 07:34, 17 ago 2024

2024-08-17T07:34:21Z

← Versione meno recente		Versione delle 07:34, 17 ago 2024
Riga 1:		Riga 1:
			{{template pubblicazione
			\|data=1989
			\|autori=Michael C. Mozer
			\|URL=https://wpmedia.wolfram.com/sites/13/2018/02/03-4-4.pdf
			}}
	Titolo: [[Titolo::A Focused Backpropagation Algorithm for Temporal Pattern Recognition]]		Titolo: [[Titolo::A Focused Backpropagation Algorithm for Temporal Pattern Recognition]]

Sara Maserati il 10:49, 9 apr 2024

2024-04-09T10:49:04Z

← Versione meno recente		Versione delle 10:49, 9 apr 2024
Riga 8:		Riga 8:

	Topic: [[Topic::Backpropagation ottimizzata per il riconoscimento di pattern temporali]]		Topic: [[Topic::Backpropagation ottimizzata per il riconoscimento di pattern temporali]]

			[[Category:pubblicazione]]


	__SHOWFACTBOX__		__SHOWFACTBOX__

Sara Maserati: Creata pagina con "Titolo: Titolo::A Focused Backpropagation Algorithm for Temporal Pattern Recognition Anno di pubblicazione: AnnoDiPubblicazione::1989 Autore: Autore::Michael C. Mozer URL: URL::https://gwern.net/doc/ai/nn/rnn/1995-mozer.pdf Topic: Topic::Backpropagation ottimizzata per il riconoscimento di pattern temporali SHOWFACTBOX"

2024-04-09T09:26:46Z

Creata pagina con "Titolo: Titolo::A Focused Backpropagation Algorithm for Temporal Pattern Recognition Anno di pubblicazione: AnnoDiPubblicazione::1989 Autore: Autore::Michael C. Mozer URL: URL::https://gwern.net/doc/ai/nn/rnn/1995-mozer.pdf Topic: Topic::Backpropagation ottimizzata per il riconoscimento di pattern temporali __SHOWFACTBOX__"

Nuova pagina

Titolo: [[Titolo::A Focused Backpropagation Algorithm for Temporal Pattern Recognition]]

Anno di pubblicazione: [[AnnoDiPubblicazione::1989]]

Autore: [[Autore::Michael C. Mozer]]

URL: [[URL::https://gwern.net/doc/ai/nn/rnn/1995-mozer.pdf]]

Topic: [[Topic::Backpropagation ottimizzata per il riconoscimento di pattern temporali]]

__SHOWFACTBOX__