Towards fast hybrid deep kernel learning methods
El treball estudia la millor manera de crear xarxes neuronals híbrides amb mètodes kernel mitjançant dues aproximacions de kernel diferents, random Fourier features i el mètode Nystrom, i la millor manera d'entrenar-les, amb RMSprop i stochastic gradient descent.
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universitat Politècnica de Catalunya (UPC) |
| Repositorio: | UPCommons. Portal del coneixement obert de la UPC |
| Idioma: | inglés |
| OAI Identifier: | oai:upcommons.upc.edu:2117/133506 |
| Acceso en línea: | https://hdl.handle.net/2117/133506 |
| Access Level: | acceso abierto |
| Palabra clave: | Neural networks (Computer science) Machine learning Kernel functions hybrid neural networks optimization random fourier features nystrom method rmsprop stochastic gradient descent simultaneous perturbation stochastic approximation radial basis function kernel tensorflow deep learning fashion mnist mnist Xarxes neuronals (Informàtica) Aprenentatge automàtic Kernel, Funcions de Àrees temàtiques de la UPC::Informàtica |
| Sumario: | El treball estudia la millor manera de crear xarxes neuronals híbrides amb mètodes kernel mitjançant dues aproximacions de kernel diferents, random Fourier features i el mètode Nystrom, i la millor manera d'entrenar-les, amb RMSprop i stochastic gradient descent. |
|---|