Please use this identifier to cite or link to this item:
Title: Spectral conjugate gradient methods with sufficient descent property for neural network training
Authors: Λιβιέρης, Ιωάννης
Πιντέλας, Παναγιώτης
Issue Date: 2010-04-08T08:12:20Z
Keywords: Neural networks
Descent spectral conjugate gradient methods
Sufficient descent property
Truncate strategy
Keywords (translated): Νευρωνικά δίκτυα
Μέθοδοι συζυγών κλίσεων
Abstract: Σε αυτήν την εργασία, αξιολογούμε την απόδοση μιας νέας κλάσης μεθόδων συζυγών κλίσεων για την εκπαίδευση νευρικών δικτύων. Οι προτεινόμενες μέθοδοι διατηρούν τα πλεονεκτήματα των κλασσικών μεθόδων συζυγών κλίσεων και εκμεταλλεύονται την απουσία των συχνά αναπαποτελεσματικών επανεκκινήσεων. Τα ενθαρρυντικά αριθμητικά αποτελέσματα επαληθεύουν ότι οι προτεινόμενες μέθοδοι παρέχουν γρηγορότερη, σταθερότερη και πιο αξιόπιστη σύγκλιση.
Abstract (translated): Conjugate gradient methods constitute an excellent choice for efficiently training large neural networks since they don't require the evaluation of the Hessian matrix neither the impractical storage of an approximation of it. Despite the theoretical and practical advantages of these methods their main drawback is the use of restarting procedures in order to guarantee convergence, abandoning second order derivative information. In this work, we propose a neural network training algorithm which preserves the advantages of classical conjugate gradient methods and simultaneously avoids the inefficient restarts. Encouraging numerical experiments verify that the presented algorithm provides fast, stable and reliable convergence.
Appears in Collections:Τμήμα Μαθηματικών (Τεχνικές Αναφορές)

Files in This Item:
File Description SizeFormat 
Nimertis_TR_SpectralConjugateGradientMethods.pdf213.99 kBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.