用于二分类的带深度正则化层的残差-拼接神经网络
机器学习
2022-06-15 v1
摘要
许多复杂的深度学习模型以不同变体用于各类预测任务。较高的学习参数并不必然保证高准确率。这可以通过在非常深的模型中考虑结合多种基于正则化技术的改动来解决。本文中，我们训练了一个深度神经网络，该网络使用许多正则化层并结合残差与拼接过程，以最佳拟合多囊卵巢综合征诊断预测。该网络从每一步失败的改进中构建，以满足数据需求，并无缝达到 99.3% 的准确率。
引用
@article{arxiv.2205.12775,
title = {Residual-Concatenate Neural Network with Deep Regularization Layers for Binary Classification},
author = {Abhishek Gupta and Sruthi Nair and Raunak Joshi and Vidya Chitre},
journal= {arXiv preprint arXiv:2205.12775},
year = {2022}
}
备注
7 pages, 5 figures. To appear in the proceedings of 6th International Conference on Intelligent Computing and Control Systems (ICICCS 2022)