JP5844286B2 - ニューラルネットワークの組織化 - Google Patents
ニューラルネットワークの組織化 Download PDFInfo
- Publication number
- JP5844286B2 JP5844286B2 JP2012551552A JP2012551552A JP5844286B2 JP 5844286 B2 JP5844286 B2 JP 5844286B2 JP 2012551552 A JP2012551552 A JP 2012551552A JP 2012551552 A JP2012551552 A JP 2012551552A JP 5844286 B2 JP5844286 B2 JP 5844286B2
- Authority
- JP
- Japan
- Prior art keywords
- nodes
- links
- assembly
- node
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims description 158
- 230000000712 assembly Effects 0.000 claims description 95
- 238000000429 assembly Methods 0.000 claims description 95
- 238000000034 method Methods 0.000 claims description 76
- 230000008878 coupling Effects 0.000 claims description 33
- 238000010168 coupling process Methods 0.000 claims description 33
- 238000005859 coupling reaction Methods 0.000 claims description 33
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000013459 approach Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 230000000946 synaptic effect Effects 0.000 claims description 4
- 238000013529 biological neural network Methods 0.000 claims 3
- 230000008569 process Effects 0.000 description 60
- 230000010365 information processing Effects 0.000 description 19
- 238000009826 distribution Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 18
- 238000004590 computer program Methods 0.000 description 9
- 230000003278 mimic effect Effects 0.000 description 7
- 230000009467 reduction Effects 0.000 description 7
- 230000007423 decrease Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 210000000478 neocortex Anatomy 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
この出願は、2010年2月5日に出願された米国特許出願第61/301,781号の、米国特許法第119条(e)に基づく利益を主張し、その内容がここに引用により援用される。
この明細書は、学習されたおよび学習されていないニューラルネットワークの組織化に向けた方策、ならびにニューラルネットワークの組織化の方法に関する。
この明細書は、学習されたおよび学習されていないニューラルネットワークの組織化に向けた方策、ならびにニューラルネットワークの組織化の方法を記載する。ラットの新皮質における生体ニューロンの組織化の研究は、ニューラルネットワーク中のノードがどのように有利に組織化可能であるかについてのきっかけを与えた。ラットの新皮質中の生体ニューロンの組織化を模倣する相互結合を有するニューラルネットワークは、改良された情報処理および/または情報記憶を達成するように学習可能である。
【図2A】異なる数のリンクが異なる数のノードのグループ内に現われることができる頻度の例示的な例を示すグラフの図である。
【図2B】異なる数のリンクが異なる数のノードのグループ内に現われることができる頻度の例示的な例を示すグラフの図である。
【図2C】異なる数のリンクが異なる数のノードのグループ内に現われることができる頻度の例示的な例を示すグラフの図である。
【図2D】異なる数のリンクが異なる数のノードのグループ内に現われることができる頻度の例示的な例を示すグラフの図である。
【図2E】異なる数のリンクが異なる数のノードのグループ内に現われることができる頻度の例示的な例を示すグラフの図である。
【図2F】異なる数のリンクが異なる数のノードのグループ内に現われることができる頻度の例示的な例を示すグラフの図である。
【図3A】リンクが図2A−図2F中のグループ内に現われることができる頻度と、結合がランダムに割当てられた場合にリンクが現われると予測されるであろう頻度との間の差の例示的な例を示すグラフの図である。
【図3B】リンクが図2A−図2F中のグループ内に現われることができる頻度と、結合がランダムに割当てられた場合にリンクが現われると予測されるであろう頻度との間の差の例示的な例を示すグラフの図である。
【図3C】リンクが図2A−図2F中のグループ内に現われることができる頻度と、結合がランダムに割当てられた場合にリンクが現われると予測されるであろう頻度との間の差の例示的な例を示すグラフの図である。
【図3D】リンクが図2A−図2F中のグループ内に現われることができる頻度と、結合がランダムに割当てられた場合にリンクが現われると予測されるであろう頻度との間の差の例示的な例を示すグラフの図である。
【図3E】リンクが図2A−図2F中のグループ内に現われることができる頻度と、結合がランダムに割当てられた場合にリンクが現われると予測されるであろう頻度との間の差の例示的な例を示すグラフの図である。
【図3F】リンクが図2A−図2F中のグループ内に現われることができる頻度と、結合がランダムに割当てられた場合にリンクが現われると予測されるであろう頻度との間の差の例示的な例を示すグラフの図である。
【図4A】異なる数の共通の近傍を共有する所与の1対のノード自体がリンクされる可能性を実現する異なる確率の例示的な例を示すグラフの図である。
【図4B】異なる数の共通の近傍を共有する所与の1対のノード自体がリンクされる可能性を実現する異なる確率の例示的な例を示すグラフの図である。
【図5A】6個のノードのグループまたはアセンブリ内のノード同士の間の相互結合の異なる平均強さの例示的な例を示すグラフの図である。
【図5B】6個のノードのグループまたはアセンブリ内のノード同士の間の相互結合の異なる平均強さの例示的な例を示すグラフの図である。
【図6】異なる数の相互結合を有するノード同士の間の相互結合の強さの異なる確率密度分布の例示的な例を示すグラフの図である。
【図7A】6個のノードのグループまたはアセンブリ内のノード同士の間の相互結合の平均強さの異なる変動の例示的な例を示すグラフの図である。
【図7B】6個のノードのグループまたはアセンブリ内のノード同士の間の相互結合の平均強さの異なる変動の例示的な例を示すグラフの図である。
【図8】ノードアセンブリ内の1対のノード同士および2つの異なるノードアセンブリ中の1対のノード同士がリンクされる確率の例示的な例を示すグラフの図である。
【図9A】学習されたまたは学習されていないニューラルネットワークデバイス中のノードアセンブリのサイズの異なる分布の例示的な例を示すグラフの図である。
【図9B】学習されたまたは学習されていないニューラルネットワークデバイス中のノードアセンブリのサイズの異なる分布の例示的な例を示すグラフの図である。
【図10】ノードアセンブリ結合性を含むニューラルネットワークデバイスについて、クラスタ係数の例示的な例を示すグラフの図である。
【図11】ノードアセンブリ結合性を含むニューラルネットワークデバイスについて、入来する結合の累積分布の例示的なプロット1105を示すグラフ1100の図である。
【図12】ノードアセンブリ結合性を含むニューラルネットワークデバイスについて、ノードの対によって共有される共通の近傍の数の確率密度分布のプロットの例示的な例を示すグラフの図である。
【図13】ニューラルネットワークデバイスを組織化するのに用いることができるプロセスのフローチャートである。
【図14】リンクを再割当し、かつニューラルネットワークデバイスを組織化するのに用いることができるプロセスのフローチャートである。
【図15】ニューラルネットワークデバイスを形成するためのプロセスのフローチャートである。
【図16】ノードアセンブリの例示的なグループの概略図である。
【図17】例示的なニューラルネットワークデバイスの概略図である。
図1は、ニューラルネットワークデバイス100の概略図である。ニューラルネットワークデバイス100は、相互結合されたノードのシステムを用いる生体ニューロンのネットワークの情報エンコードおよび他の処理能力を模倣するデバイスである。ニューラルネットワークデバイス100は、ハードウェア、ソフトウェア、またはその組合せで実現可能である。
−学習されたまたは学習されていないニューラルネットワークデバイスのノードのグループ内の相互結合の平均強さが各グループ内のリンクの数を表わし、かつ
−任意の対のノード同士が結合される確率がそれらのノードによって共有される共通の近傍の数を表わしているならば、
ノードの対の間の相互結合の平均強さもそれらのノードが共有する共通の近傍の数を実現することができる。この点で、ランダムに選択されたノードのグループが多数の共通の近傍を有する1対のノードを含む場合は、その対のノード同士が結合される確率がより高くなる。そのようなランダムに選択されたノードのグループ(すなわち、多数の共通の近傍を有する1対のノードを有するグループ)はこのように、より少ない共通の近傍を有する1対のノードを有するノードのグループよりも多くのリンクを有しやすい。相互結合の平均強さはグループ内のリンクの数が増大するにつれて増大するので、より多くの数の共通の近傍を有する1対のノードを含むランダムに選択されたグループは、より高い相互結合の平均強さを有しやすくなる。
Claims (15)
- コンピュータで実現される、生体神経ネットワークを模倣するニューラルネットワークデバイスであって、
アセンブリ間リンクによって相互結合されるノードアセンブリの集合を備え、各々のノードアセンブリ自体は複数のアセンブリ内リンクによって相互結合されるノードのネットワークを含み、前記アセンブリ間リンクおよび前記アセンブリ内リンクの各々は関連付けられた重みを有し、各々の重みは関連付けられた前記リンクによって接続される前記ノード同士の間の結合の強さを実現し、各々のアセンブリ内の前記ノードは、前記ノードアセンブリの他のもの内のノードに結合されるよりもそのアセンブリ内の他のノードに結合される見込みがより高く、
前記重みは、関連付けられた前記リンクによって連結される前記ノードの共有する共通の近傍の数を具現化し、
前記結合の強さは、前記共有する共通の近傍の数の増加に伴って増加する、ニューラルネットワークデバイス。 - 前記ノードは、ニューロンを表わし、
前記リンクは、シナプス結合を表わし、
前記重みは、前記生体神経ネットワークにおける前記ニューロン同士の間の前記シナプス結合の強さを表わす、請求項1に記載のニューラルネットワークデバイス。 - 前記ノードアセンブリの前記アセンブリ内リンクの重みは、それぞれの前記ノードアセンブリ内部のアセンブリ内リンクの数を具現化する、請求項1に記載のニューラルネットワークデバイス。
- 各々それぞれのノードアセンブリとの相互結合の平均強さは、前記それぞれのノードアセンブリ内のリンクの数が前記それぞれのノードアセンブリ内のノードの数を超えるとそれぞれの限界に漸近的に近付く、請求項1から3のいずれか1項に記載のニューラルネットワークデバイス。
- 各々のアセンブリ内リンクの前記アセンブリ内の他のノードの数に基づいて前記アセンブリ内リンクの各々の重みの大きさを変更するように構成されるアダプタ要素をさらに備え、
前記アダプタ要素は、前記ニューラルネットワークデバイスが学習される前に各々の重みの大きさを変更するように構成される、請求項1から4のいずれか1項に記載のニューラルネットワークデバイス。 - 前記ノードアセンブリ内のノードの数に基づいて各々のノードアセンブリ中のノード同士の間の結合の確率を変更するように構成されるアダプタ要素をさらに備える、請求項1から5のいずれか1項に記載のニューラルネットワークデバイス。
- 生体神経ネットワークを模倣するニューラルネットワークデバイスを形成する、コンピュータで実現される方法であって、
ノードのネットワークを形成するステップと、
前記ノードによって共有される共通の近傍の数を具現化する確率を有するノードを結合するまたは切離すことによって前記ネットワークのノード同士の間のリンクを割当てるまたは再割当てするステップとを備え、
前記確率は、前記共通の近傍の数の増加に伴って増加する、方法。 - 前記リンクの各々は、関連付けられた重みを有し、
各重みは、関連した前記リンクによって連結される前記ノードの共通の近傍の数を具現化し、
前記結合の強さは、前記共通の近傍の数の増加に伴って増加する、請求項7に記載の方法。 - 前記ノードを結合する確率は、前記ノードによって共有される共通の近傍の数と正側の関連を有する、請求項7に記載の方法。
- 同じ共通の近傍から入力を受けるノードの対は、同じ共通の近傍へ出力するノードの対が結合されるよりもさらに結合されやすい、請求項7に記載の方法。
- リンク再割当は、ノード間のリンクを取除き、その後、取除かれたリンクを前記確率に従って他のノードにリンクすることを含む、請求項7に記載の方法。
- 準定常状態に達するまで前記割当てるまたは再割当てするステップを繰返すステップをさらに備え、
前記準定常状態は、ニューラルネットワークデバイスを備える、請求項7に記載の方法。 - 前記ノードのネットワークを学習するステップをさらに備え、
前記ノードのネットワークを学習するステップは、
安定した重みを用いてノードアセンブリ内のリンクを重み付けするステップと、
前記ノードアセンブリ内のリンクの前記重みを変えないままにしながら、前記ノードアセンブリ同士の間のリンクを重み付けして前記学習を実現するステップとを備える、請求項7から12のいずれか1項に記載の方法。 - 前記学習の間、所定のしきい値を下回る関連した重みを有するリンクは取り除かれ、リンクが他のノードとともに存在する確率に従って、前記他のノードに再割当される、請求項13に記載の方法。
- 各々それぞれのノードアセンブリ内のリンクの数がそのそれぞれのノードアセンブリ内
のノードの数を超えるまで割当てまたは再割当てのステップを繰返すステップと、
前記リンクの数が前記ノードの数を超えると限界に近付く重みを用いて前記それぞれのノードアセンブリの各々におけるリンクを重み付けするステップとをさらに備える、請求項7から14のいずれか1項に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US30178110P | 2010-02-05 | 2010-02-05 | |
US61/301,781 | 2010-02-05 | ||
PCT/EP2011/000515 WO2011095342A1 (en) | 2010-02-05 | 2011-02-04 | Organizing neural networks |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2013519140A JP2013519140A (ja) | 2013-05-23 |
JP2013519140A5 JP2013519140A5 (ja) | 2014-03-13 |
JP5844286B2 true JP5844286B2 (ja) | 2016-01-13 |
Family
ID=43824497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012551552A Active JP5844286B2 (ja) | 2010-02-05 | 2011-02-04 | ニューラルネットワークの組織化 |
Country Status (7)
Country | Link |
---|---|
US (4) | US10387767B2 (ja) |
EP (1) | EP2531959B1 (ja) |
JP (1) | JP5844286B2 (ja) |
KR (1) | KR101816329B1 (ja) |
CN (1) | CN102859538B (ja) |
DK (1) | DK2531959T3 (ja) |
WO (1) | WO2011095342A1 (ja) |
Families Citing this family (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8891967B2 (en) * | 2011-08-25 | 2014-11-18 | Mitsubishi Electric Research Laboratories, Inc. | Method for energy efficient reoptimization of optical networks |
US9336774B1 (en) | 2012-04-20 | 2016-05-10 | Google Inc. | Pattern recognizing engine |
US9378455B2 (en) * | 2012-05-10 | 2016-06-28 | Yan M. Yufik | Systems and methods for a computer understanding multi modal data streams |
US9015096B2 (en) * | 2012-05-30 | 2015-04-21 | Qualcomm Incorporated | Continuous time spiking neural network event-based simulation that schedules co-pending events using an indexable list of nodes |
US20140025418A1 (en) * | 2012-07-19 | 2014-01-23 | International Business Machines Corporation | Clustering Based Resource Planning, Work Assignment, and Cross-Skill Training Planning in Services Management |
US8983885B1 (en) * | 2012-09-10 | 2015-03-17 | FEM, Inc. | Prospective media content generation using neural network modeling |
WO2016197054A1 (en) * | 2015-06-05 | 2016-12-08 | Google Inc. | Whitened neural network layers |
US9948543B2 (en) * | 2015-12-30 | 2018-04-17 | International Business Machines Corporation | Mechanism to extend the remote get to do async rectangle broadcast on a rectangle with wild cards in the packet header |
US11615285B2 (en) | 2017-01-06 | 2023-03-28 | Ecole Polytechnique Federale De Lausanne (Epfl) | Generating and identifying functional subnetworks within structural networks |
EP3607495A4 (en) * | 2017-04-07 | 2020-11-25 | Intel Corporation | METHODS AND SYSTEMS USING IMPROVED TRAINING AND LEARNING FOR DEEP NEURAL NETWORKS |
CN111373416B (zh) * | 2017-10-27 | 2024-01-23 | 谷歌有限责任公司 | 通过离散神经网络输入来增强神经网络的安全性 |
US11972343B2 (en) | 2018-06-11 | 2024-04-30 | Inait Sa | Encoding and decoding information |
US11663478B2 (en) | 2018-06-11 | 2023-05-30 | Inait Sa | Characterizing activity in a recurrent artificial neural network |
EP3803699A1 (en) * | 2018-06-11 | 2021-04-14 | Inait SA | Characterizing activity in a recurrent artificial neural network and encoding and decoding information |
US11893471B2 (en) | 2018-06-11 | 2024-02-06 | Inait Sa | Encoding and decoding information and artificial neural networks |
US11625614B2 (en) * | 2018-10-23 | 2023-04-11 | The Regents Of The University Of California | Small-world nets for fast neural network training and execution |
US10909443B2 (en) | 2019-02-25 | 2021-02-02 | Globalfoundries Inc. | Neuromorphic circuit structure and method to form same |
US11652603B2 (en) | 2019-03-18 | 2023-05-16 | Inait Sa | Homomorphic encryption |
US11569978B2 (en) * | 2019-03-18 | 2023-01-31 | Inait Sa | Encrypting and decrypting information |
US11120221B2 (en) * | 2019-03-26 | 2021-09-14 | Tata Consultancy Services Limited | Method and system to resolve ambiguities in regulations |
US20210182655A1 (en) * | 2019-12-11 | 2021-06-17 | Inait Sa | Robust recurrent artificial neural networks |
US11651210B2 (en) | 2019-12-11 | 2023-05-16 | Inait Sa | Interpreting and improving the processing results of recurrent neural networks |
US11816553B2 (en) | 2019-12-11 | 2023-11-14 | Inait Sa | Output from a recurrent neural network |
US11797827B2 (en) | 2019-12-11 | 2023-10-24 | Inait Sa | Input into a neural network |
US11580401B2 (en) | 2019-12-11 | 2023-02-14 | Inait Sa | Distance metrics and clustering in recurrent neural networks |
CN113626721B (zh) * | 2021-10-12 | 2022-01-25 | 中国科学院自动化研究所 | 基于遗憾探索的推荐方法、装置、电子设备与存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3640003C2 (de) | 1986-11-22 | 1996-07-25 | Schunk Produktionsgesellschaft | Verfahren und Vorrichtung zur Informationsübertragung, insbesondere für mobile Informationsträgersysteme |
JPH03121625A (ja) | 1989-10-04 | 1991-05-23 | Seiko Epson Corp | 通信装置 |
US5214747A (en) * | 1990-12-24 | 1993-05-25 | Eastman Kodak Company | Segmented neural network with daisy chain control |
JPH06110862A (ja) * | 1992-09-30 | 1994-04-22 | Hitachi Ltd | 自己成長型ニューラルネットワーク |
JPH08315141A (ja) | 1995-05-15 | 1996-11-29 | Mitsubishi Electric Corp | 画像認識装置 |
US5712959A (en) * | 1995-07-07 | 1998-01-27 | Streit; Roy L. | Neural network architecture for non-Gaussian components of a mixture density function |
WO2001031784A1 (en) | 1999-10-28 | 2001-05-03 | The National University Of Singapore | Method and apparatus for generating pulses from analog waveforms |
KR100370223B1 (ko) | 2001-02-05 | 2003-02-05 | 삼성전자 주식회사 | 데이터 기록/재생 장치 및 그 방법과 데이터 부호화 방법 |
MY138544A (en) | 2003-06-26 | 2009-06-30 | Neuramatix Sdn Bhd | Neural networks with learning and expression capability |
-
2011
- 2011-02-04 WO PCT/EP2011/000515 patent/WO2011095342A1/en active Application Filing
- 2011-02-04 CN CN201180017192.1A patent/CN102859538B/zh active Active
- 2011-02-04 DK DK11703146.8T patent/DK2531959T3/en active
- 2011-02-04 EP EP11703146.8A patent/EP2531959B1/en active Active
- 2011-02-04 KR KR1020127023174A patent/KR101816329B1/ko active IP Right Grant
- 2011-02-04 JP JP2012551552A patent/JP5844286B2/ja active Active
-
2012
- 2012-08-03 US US13/566,128 patent/US10387767B2/en active Active
-
2015
- 2015-08-27 US US14/838,013 patent/US10373048B2/en active Active
-
2019
- 2019-08-01 US US16/528,807 patent/US11126911B2/en active Active
-
2021
- 2021-09-20 US US17/479,180 patent/US11900237B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
KR101816329B1 (ko) | 2018-01-08 |
US20190354841A1 (en) | 2019-11-21 |
US11900237B2 (en) | 2024-02-13 |
JP2013519140A (ja) | 2013-05-23 |
US10373048B2 (en) | 2019-08-06 |
KR20120123698A (ko) | 2012-11-09 |
US20230394280A9 (en) | 2023-12-07 |
US20120323833A1 (en) | 2012-12-20 |
CN102859538B (zh) | 2016-05-25 |
DK2531959T3 (en) | 2017-10-30 |
CN102859538A (zh) | 2013-01-02 |
US20150363689A1 (en) | 2015-12-17 |
EP2531959B1 (en) | 2017-07-26 |
US11126911B2 (en) | 2021-09-21 |
EP2531959A1 (en) | 2012-12-12 |
US10387767B2 (en) | 2019-08-20 |
WO2011095342A1 (en) | 2011-08-11 |
US20220121907A1 (en) | 2022-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5844286B2 (ja) | ニューラルネットワークの組織化 | |
US11032391B2 (en) | Social network grouping method and system, and computer storage medium | |
CN102075352A (zh) | 一种网络用户行为预测的方法和装置 | |
KR20110131094A (ko) | 정보 네트워크 내의 커뮤니티를 식별하는 방법 및 시스템 | |
KR20200080819A (ko) | 인공 신경망의 상용화 서비스 제공 방법 | |
CN112513886A (zh) | 信息处理方法、信息处理装置和信息处理程序 | |
CN109685204A (zh) | 模型搜索方法及装置、图像处理方法及装置 | |
Datta et al. | Graph partitioning by multi-objective real-valued metaheuristics: A comparative study | |
Poladian et al. | Multi-objective evolutionary algorithms and phylogenetic inference with multiple data sets | |
CN112436992A (zh) | 基于图卷积网络的虚拟网络映射方法及装置 | |
CN109298930A (zh) | 一种基于多目标优化的云工作流调度方法及装置 | |
Das et al. | Performance improvement of a genetic algorithm using a novel restart strategy with elitism principle | |
Kashyap et al. | Hyper-heuristic approach for service composition in internet of things | |
Hornby et al. | Accelerating human-computer collaborative search through learning comparative and predictive user models | |
Ismkhan et al. | Study of some recent crossovers effects on speed and accuracy of genetic algorithm, using symmetric travelling salesman problem | |
Frutos et al. | Comparison of multiobjective evolutionary algorithms for operations scheduling under machine availability constraints | |
JP6694197B2 (ja) | 学習ネットワーク生成装置、及び学習ネットワーク生成プログラム | |
Sari et al. | Recent research in finding the optimal path by ant colony optimization | |
CN111506394A (zh) | 一种Docker Swarm容器调度方法及调度*** | |
CN117118689B (zh) | 一种不平衡数据物联网入侵检测方法及装置 | |
Maden et al. | Landscape analysis of simple perturbative hyperheuristics | |
US8229867B2 (en) | Bit-selection for string-based genetic algorithms | |
Ullah et al. | On Neuroevolution of Multi-Input Compositional Pattern Producing Networks: A Case of Entertainment Computing, Edge Devices, and Smart Cities | |
de Kleuver et al. | Reproducibility study of'Proto2Proto: Can you recognise the car, the way I do?' | |
Cohen | Algorithms in Computational Biology MCMC, Metropolis Algorithm and Optimal Tree Topologies Hunting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140117 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20140117 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150113 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20150409 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20151027 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20151118 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5844286 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |