Apprentissage automatique basé sur les tenseurs avec applications d’interaction homme-machine
Dans cette recherche, nous allons d’abord utiliser des techniques de réseaux tensoriels pour accélérer le traitement dans les réseaux neuronaux, puisque le coût computationnel est un goulot d’étranglement majeur dans l’apprentissage profond basé sur réseaux de neurones. Notez que la matrice de poids dans chaque couche du réseau de neurones a une taille énorme, en raison de millions de paramètres. Cela peut entraîner une grande complexité temporelle pour calculer tous les paramètres. Pour surmonter la grande complexité temporelle, nous pourrions utiliser la décomposition tensorielle pour calculer la matrice de poids de bas rang, afin de réduire un grand nombre de paramètres, et donc de diminuer la complexité temporelle. Les réseaux tensoriels incluent le Tucker hiérarchique (HT), le train tensoriel (TT), le CP et la décomposition de Tucker, etc. Deuxièmement, nous proposons de développer des algorithmes basés sur les tenseurs pour résoudre les problèmes de corruption spatiotemporale, les problèmes complexes de fond en reconnaissance d’action humaine (HAR) et les problèmes de débruixement dans les images médicales. Les vidéos d’action humaine sont représentées comme un tenseur de haute dimension, et nous pouvons résoudre le problème corrompu spatio-temporel par complétion tensorielle et réseau neuronal récurrent pour traiter le problème des images manquantes; On pourrait aussi réduire le bruit des images médicales de haute dimension par complétion tensorielle.
Voir la description complète du projetXiao-Ping Zhang
Huawei Technologies Canada Co., Ltd.
Génie
Technologies de l’information et des communications; Nouveaux médias et médias numériques; Technologie
Université métropolitaine de Toronto
Accélération