以往進(jìn)行深度學(xué)習(xí)時(shí)，很難基于神經(jīng)網(wǎng)絡(luò)構(gòu)造（注1）進(jìn)行調(diào)整，所以無法在整個(gè)網(wǎng)絡(luò)進(jìn)行最優(yōu)化的學(xué)習(xí)， 因而無法充分發(fā)揮其識別性。此次開發(fā)的技術(shù)， 可以基于其結(jié)構(gòu)自動(dòng)優(yōu)化神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的進(jìn)度，從而輕松實(shí)現(xiàn)比以往更加精準(zhǔn)的識別。

　　此技術(shù)的出現(xiàn)，使得應(yīng)用了圖像識別及聲音識別等深度學(xué)習(xí)技術(shù)的各個(gè)領(lǐng)域，均有望實(shí)現(xiàn)識別精度的進(jìn)一步提高。例如，人臉識別和行為分析等視頻監(jiān)控識別精度的提高、基礎(chǔ)設(shè)施等點(diǎn)檢工作效率的提高，實(shí)現(xiàn)自動(dòng)檢測災(zāi)害、事故和災(zāi)難等。

　　近年來，深度學(xué)習(xí)的研究取得了飛躍性的進(jìn)展。在圖像識別、聲音識別等廣泛領(lǐng)域內(nèi)得到了應(yīng)用。深度學(xué)習(xí)使用具備深層構(gòu)造的神經(jīng)網(wǎng)絡(luò)， 學(xué)習(xí)事先準(zhǔn)備好的數(shù)據(jù)來實(shí)現(xiàn)高精度化。但是，如果數(shù)據(jù)被過度地學(xué)習(xí)，則會(huì)出現(xiàn)“過學(xué)習(xí)（注2）”的現(xiàn)象，即只能高精度地識別學(xué)習(xí)過的數(shù)據(jù)，而未用于學(xué)習(xí)的數(shù)據(jù)的識別精度則降低。為了避免這種情況的發(fā)生，就需要使用“正則化（注3）”技術(shù)進(jìn)行調(diào)整。

　　由于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程因其結(jié)構(gòu)而復(fù)雜多變，所以過去只能對整個(gè)網(wǎng)絡(luò)使用相同的正則化技術(shù)。結(jié)果出現(xiàn)了網(wǎng)絡(luò)各層有的過度學(xué)習(xí)，有的學(xué)習(xí)停滯等問題，因而很難充分發(fā)揮原有的識別性能。另外，由于手動(dòng)調(diào)整各層的學(xué)習(xí)進(jìn)度極為困難，所以對于逐層自動(dòng)調(diào)整學(xué)習(xí)進(jìn)度的需求呼聲很高。

　　此次開發(fā)的技術(shù)是基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，逐層預(yù)測學(xué)習(xí)進(jìn)度，并自動(dòng)配置適合各層進(jìn)展的正則化技術(shù)。通過此技術(shù)，在整個(gè)網(wǎng)絡(luò)中學(xué)習(xí)被優(yōu)化，并且可以將識別錯(cuò)誤率降低約20％，改善識別精度。

　　基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，我們預(yù)測每層的學(xué)習(xí)進(jìn)度，并逐層自動(dòng)設(shè)置適合于各層進(jìn)展的正則化。據(jù)此，整個(gè)網(wǎng)絡(luò)的學(xué)習(xí)進(jìn)度就得到了優(yōu)化，解決了過去各層過度學(xué)習(xí)和學(xué)習(xí)停滯的問題。在使用該技術(shù)的手寫數(shù)字?jǐn)?shù)據(jù)的識別實(shí)驗(yàn)中，識別錯(cuò)誤率降低了約20％，識別精準(zhǔn)度已經(jīng)得到明顯改善。

　　該技術(shù)僅在學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)前實(shí)施一次，即可在與以往同等的學(xué)習(xí)計(jì)算量下輕松地實(shí)現(xiàn)高精度。

　　NEC集團(tuán)致力于在全球范圍內(nèi)推進(jìn)社會(huì)解決方案，提供安心、安全、高效、公平的社會(huì)價(jià)值，將先進(jìn)的ICT技術(shù)與知識相融合，為實(shí)現(xiàn)更加光明、更加豐富多彩的高效社會(huì)盡一份力量。

　　（注1） 神經(jīng)網(wǎng)絡(luò)：由人造神經(jīng)細(xì)胞（神經(jīng)元）組成的神經(jīng)網(wǎng)絡(luò)。

　　（注2） 過學(xué)習(xí)：對給定數(shù)據(jù)過度學(xué)習(xí)，而對未學(xué)習(xí)的數(shù)據(jù)的識別精度度下降的現(xiàn)象。

　　（注3） 正則化：通過對模型的復(fù)雜性加以約束，來抑制過學(xué)習(xí)的方法。