비선형 RBF 신경망 최적화의 정준 이중 해법
본 논문은 중심과 가중치를 동시에 학습해야 하는 비선형 방사형 기저 함수 신경망(RBFNN)의 최적화 문제를 정준 이중성 이론으로 변환한다. 순차적인 정준 이중 변환을 통해 원문제와 이중문제 사이에 갭이 없음을 보이고, 전역 최적해와 국부 극값을 체계적으로 구분한다. 특히 1차원 가우시안 RBF를 대상으로 구체적인 해를 제시하며, 전역 최소점이 실제 네트워크 성능과 일치하지 않을 수 있음을 강조한다.
저자: Vittorio Latorre, David Yang Gao
본 논문은 방사형 기저 함수 신경망(RBFNN)의 학습 문제를 정준 이중성 이론을 이용해 새로운 해법으로 접근한다. 서론에서는 RBFNN이 회귀 문제에 널리 쓰이지만, 중심 c와 가중치 w를 동시에 최적화해야 하는 경우 비선형·비볼록 최적화 문제가 발생함을 지적한다. 기존에는 중심을 클러스터링으로 고정하고 가중치만 최적화하거나, 분해 알고리즘을 적용했지만, 이는 전역 최적을 보장하지 못하고 NP‑hard 문제로 알려져 있다.
2절에서는 일반적인 1차원 비선형 목적함수 P(c)=½
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기