Капсульная нейронная сеть — Википедия

Капсульная нейронная сеть (англ. capsule neural network, CapsNet) — архитектура искусственных нейронных сетей, которая предназначена для распознавания изображений.

Главными преимуществами данной архитектуры является существенное снижение размеров необходимой для обучения выборки, а также повышение точности распознавания и устойчивость к атакам типа «белый ящик». Ключевым нововведением капсульных нейросетей является наличие так называемых капсул — элементов, являющихся промежуточными единицами между нейронами и слоями, которые представляют собой группы виртуальных нейронов, отслеживающих не только отдельные детали изображения, но и их расположение друг относительно друга. Данная архитектура была задумана Джеффри Хинтоном в 1979 году, сформулирована в 2011 году и опубликована в двух статьях в октябре 2017 года^[1]^[2]^[3]^[4]^[5].

Примечания

↑ Представлен новый вид нейронной сети для распознавания изображений (неопр.). Дата обращения: 17 ноября 2017. Архивировано 28 февраля 2021 года.
↑ Исследователи представили альтернативу традиционным нейронным сетям (неопр.). Дата обращения: 17 ноября 2017. Архивировано 25 октября 2020 года.
↑ Капсульные сети встряхивают AI: вот как их использовать (неопр.). Дата обращения: 17 ноября 2017. Архивировано 26 октября 2020 года.
↑ Мастер ИИ из Google представляет новый вираж нейронных сетей (неопр.). Дата обращения: 17 ноября 2017. Архивировано 1 декабря 2017 года.
↑ Ученый представил новые возможности искусственного интеллекта (неопр.). Дата обращения: 17 ноября 2017. Архивировано 1 декабря 2017 года.

Ссылки

[1] Представлен новый вид нейронной сети для распознавания изображений (неопр.). Дата обращения: 17 ноября 2017. Архивировано 28 февраля 2021 года.

[2] Исследователи представили альтернативу традиционным нейронным сетям (неопр.). Дата обращения: 17 ноября 2017. Архивировано 25 октября 2020 года.

[3] Капсульные сети встряхивают AI: вот как их использовать (неопр.). Дата обращения: 17 ноября 2017. Архивировано 26 октября 2020 года.

[4] Мастер ИИ из Google представляет новый вираж нейронных сетей (неопр.). Дата обращения: 17 ноября 2017. Архивировано 1 декабря 2017 года.

[5] Ученый представил новые возможности искусственного интеллекта (неопр.). Дата обращения: 17 ноября 2017. Архивировано 1 декабря 2017 года.

[1]

[2]

[3]

[4]

[5]

Машинное обучение и data mining
Задачи	Задача классификации Обучение без учителя Обучение с частичным привлечением учителя Регрессионный анализ AutoML Ассоциативные правила Выделение признаков Обучение признакам Обучение ранжированию Грамматический вывод Онлайновое обучение
Обучение с учителем	Метод k ближайших соседей Наивный байесовский классификатор Дерево решений Метод опорных векторов Линейная регрессия Логистическая регрессия Перцептрон Ансамблевое обучение Бэггинг Бустинг Метод случайного леса Метод релевантных векторов
Кластерный анализ	Метод k-средних Метод нечёткой кластеризации Иерархическая кластеризация EM-алгоритм BIRCH CURE DBSCAN OPTICS Mean-shift
Снижение размерности	Факторный анализ Метод главных компонент CCA ICA LDA Неотрицательное матричное разложение t-SNE
Структурное прогнозирование	Графовая вероятностная модель Байесовская сеть Скрытая марковская модель CRF
Выявление аномалий	Метод k ближайших соседей Локальный уровень выброса
Графовые вероятностные модели	Байесовская сеть Марковская сеть Скрытая марковская модель
Нейронные сети	Ограниченная машина Больцмана Самоорганизующаяся карта Функция активации Сигмоида Softmax Радиально-базисная функция Метод обратного распространения ошибки Глубокое обучение Многослойный перцептрон Рекуррентная нейронная сеть Долгая краткосрочная память Управляемый рекуррентный блок Свёрточная нейронная сеть U-Net Автокодировщик
Обучение с подкреплением	Марковский процесс Уравнение Беллмана Жадный алгоритм Q-обучение SARSA Temporal difference (TD)
Теория	Размерность Вапника — Червоненкиса Дилемма смещения–дисперсии Теория вычислительного обучения Минимизация эмпирического риска Оккамово обучение PAC learning Статистическая теория обучения
Журналы и конференции	NeurIPS ICML ML JMLR ArXiv:cs.LG