一种碎片化神经网络组合方法及其在图像分类中的应用
Xu Zhang1, Shuai Liu2, Xueli Wang1
1School of Mathematics and Statistics, Beijing Technology and Business University, Beijing, China.
Scientific reports
|January 27, 2024
概括
一种新的碎片神经网络 (FNN) 方法在图像片上训练了许多小型神经网络. 将这些软弱的网络组合起来,可以创建一个强大的模型,实现高精度,降低复杂性和成本.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度神经网络正在快速发展,但它们的开发成本高,风险高.
- 当前的人工智能研究往往优先考虑性能,而不是成本和可访问性.
- 许多商业应用程序不需要高度复杂的AI模型.
研究的目的:
- 为实际应用提出一种简单,廉价和可访问的AI建模方法.
- 为高效的AI模型开发引入碎片化神经网络 (FNN) 方法.
- 为了证明高精度可以在没有极大的或复杂的模型的情况下实现.
主要方法:
- 受随机森林的启发,FNN方法随机抽取数据和特征.
- 图像被碎成更小的碎片用于训练弱神经网络.
- 多个弱神经网络通过投票机制组合在一起,形成一个强大的网络.
主要成果:
- 对MNIST和CIFAR10数据集的实验表明,整体准确性明显超过单个基础学习者.
- 整体网络的准确性与完整模型相美或超过,具有更好的稳定性.
- 通过使用更少的参数和更少的数据,FNN方法可以获得与完整模型相匹配的结果.
结论:
- 碎片化神经网络方法为人工智能开发提供了一种具有成本效益和可访问性的方法.
- 在碎片化数据上训练的弱学习者组合提供了对大型复杂模型的可行替代方案.
- 这种方法可以通过并行和分布式计算实现人工智能模型的大量生产.
