ニューラルネットワークは、脳 内のニューロン を単純化したモデルに着想を得た、相互接続されたノード群です。ここでは、隠れ層と出力層にある青/緑の円形ノードはそれぞれ人工ニューロン を表し、左端の層にある赤い円形ノードは入力データ値を表します。矢印は、あるニューロン（またはデータノード）の出力から別のニューロン（またはデータノード）の入力への接続を表します。 機械学習 において、ニューラルネットワーク （NN ）またはニューラルネットは 、生物学的ニューラルネットワーク の構造と機能に着想を得た計算モデル である。[ 1 ] [ 2 ]
ニューラルネットワークは、脳内のニューロン を大まかにモデル化した人工ニューロン と呼ばれる接続されたユニットまたはノードで構成されています。生物学的ニューロンをより忠実に模倣した人工ニューロンモデルも最近研究されており、性能が大幅に向上することが示されています。これらはエッジ で接続されており、エッジは脳内のシナプスをモデル化しています。各人工ニューロンは、接続されたニューロンから信号を受け取り、それを処理して、他の接続されたニューロンに信号を送信します。「信号」は 実数 であり、各ニューロンの出力は、入力全体の非線形関数である活性化 重み によって決定され、重みはトレーニングプロセスの一部として調整されます。
ニューロンのグループは層に集約されます。各層は入力に対して変換を実行します。信号は最初の層（入力層 ）から最後の層（出力層）まで伝わり、通常は複数の中間層（ 隠れ層 [ 3 ]
ニューラルネットワークの学習は計算負荷の高いプロセスであり、グラフィックス処理ユニット （GPU）や大規模なデータセットを用いることで高速化される。
畳み込みニューラルネットワーク （CNN）などのアーキテクチャ革新により、コンピュータビジョン タスクのパフォーマンスが大幅に向上し、リカレントニューラルネットワーク （RNN）により、音声や時系列情報などのシーケンスデータのモデリングが可能になりました。Transformerアーキテクチャは 、ニューラルネットワークがデータの長距離依存性をモデル化できるようにするアテンションメカニズムを導入し、大規模な言語モデル の基礎となっています。[ 4 ]
人工ニューラルネットワークは、チャットボット、大規模なテキスト、画像、ビデオの生成、ロボット工学など、無数のタスクに利用されている。
物体検出におけるニューラルネットワークの学習の簡略化された例：このネットワークは、
ヒトデ と
ウニを描いた複数の画像で学習され、これらの画像は視覚的 特徴 を表す「ノード」と関連付けられています。ヒトデは環状のテクスチャと星形の輪郭で識別され、ほとんどのウニは縞模様のテクスチャと楕円形で識別されます。しかし、環状のテクスチャを持つウニのインスタンスは、両者の間に弱い重み付けの関連付けを生み出します。
入力画像に対するネットワークのその後の実行:
[ 5 ] ネットワークはヒトデを正しく検出します。しかし、リング状のテクスチャとウニの間の弱い重み付けの関連付けにより、2 つの中間ノードの 1 つからウニに弱い信号が与えられます。さらに、トレーニングに含まれていない貝殻が楕円形に弱い信号を与え、その結果、ウニの出力にも弱い信号が生じます。これらの弱い信号により、ウニの
偽陽性 結果が発生する可能性があります。実際には、テクスチャと輪郭は単一のノードではなく、複数のノードに関連付けられた重みパターンによって表現されます。
要素 ニューロンと有髄軸索。樹状突起からの入力信号が軸索終末の出力信号へと流れる。 ニューラルネットワーク（NN）は、脳の構造をデジタル領域で再現しようとする試みとして始まった。NNは非線形関係の処理においてすぐに有望性を示したが、いくつかの障害に直面した。その後、モデルは生物学的忠実性を犠牲にして、数学的知見を応用して実験結果を改善する方向へと転換していった。
学ぶ トレーニング／学習とは、結果の精度を向上させるためにネットワークの重みを調整することです。ニューラルネットワークは通常、特定の機能レベルを達成するために膨大な数のサンプル入力（生物の脳よりもはるかに多い）を必要とします。これは、サンプル観測値間の誤差を最小化することによって行われます。トレーニングはネットワークが展開される前に行われ、（脳とは異なり）その後は継続されません。その代わりに、より多くのサンプルデータが利用可能になると、ネットワークは最初から再トレーニングされる可能性があります。
経験的リスク最小化は、 予測出力とトレーニング サンプル内の既知の値との間の差 (経験的リスク) を最小化するようにノードとリンクの重みを調整します。[ 123 ] 損失関数は 、エラーの度合いを測定します。[ 92 ] バックプロパゲーションは 、出力ノードからネットワーク全体にエラーを伝播 (重みを調整) して入力ノードに伝達します。[ 123 ]
損失関数の値（コスト）が下がり続ける限り、ネットワークは改善し続けます。この関数は通常、近似値にすぎない統計値を出力します。コストが低い場合、出力（ ほぼ確実に猫）と正解（猫）の差は小さくなります。ほとんどの学習モデルは、 最適化 理論と統計的推定 の単純な応用と見なすことができます。[ 117 ] [ 124 ]
学習は通常、追加の観測によってコストが効果的に削減されなくなった時点で終了します。コストは通常0に近づきますが、0には達しません。適切な量のサンプルデータを用いてもコストが低くならない場合、トレーニングは失敗とみなされます。
ハイパーパラメータ ハイパーパラメータ とは、ネットワークおよび学習プロセスの構成可能な部分を定義するパラメータであり、その値はトレーニング前に設定されます。 [ 130 ] 学習率 、サンプルバッチサイズ、ノード数、レイヤー数などがあります。[ 131 ] [ 132 ]
学習率 学習率は、各観測のエラーを調整するためにモデルが取る修正ステップの大きさを定義します。[ 133 ] 主に学習の加速を目的としています。接続重みが高値と低値の間を循環する 振動を 回避し、収束速度を向上させるために、改良では、必要に応じて増減する適応型学習率を使用します。 [ 134 ]
学習パラダイム 機械学習では、教師あり学習 [ 135 ] 教師なし学習 [ 136 ] 強化学習 [ 137 ] 自己教師あり学習 など、モデルを訓練するためのさまざまなアプローチが用いられてきました。
指導付き学習 教師あり学習では 、入力と望ましい出力がペアになります。学習タスクは、各入力に対して望ましい出力を生成することです。この場合、コストは誤った出力の排除に関連しています。[ 138 ] 平均二乗誤差 で、ネットワークの出力と望ましい出力の間の平均二乗誤差を最小化しようとします。教師あり学習に適したタスクには、パターン認識 （分類）と回帰 （関数近似）があります。教師あり学習は、シーケンスデータ（手書き、音声、ジェスチャー認識 など）に適用できます。これは、継続的なフィードバックを提供する関数の形で「教師」と一緒に学習することと考えることができます。
強化学習 ビデオゲームなどのアプリケーションでは、アクターは一連のアクションを実行し、それぞれのアクションの後、環境（ゲーム）から一般的に予測不可能な応答を受け取ります。目標はゲームに勝つこと（最高得点を獲得すること）です。コストはスコアの逆数です。強化学習では、ネットワークに重みを付けてスコアを上げることが目的です。各アクションの後、ゲームはルールに従って観測値と瞬間的な コストを生成します。ルールと長期的なコストは推定することしかできません。エージェントはどの時点でも、新しいアクションを探索してそのコストを明らかにするか、以前の学習を活用してより迅速に進むかを決定します。
形式的には、環境は状態を持つマルコフ決定過程 （MDP）としてモデル化される。s 1 、 。 。 。 、 s n ∈ S {\displaystyle \textstyle {s_{1},...,s_{n}}\in S} 1 1 、 。 。 。 、 1 m ∈ A {\displaystyle \textstyle {a_{1},...,a_{m}}\in A} 確率分布 が使用されます。瞬間コスト分布P （ c t | s t ） {\displaystyle \textstyle P(c_{t}|s_{t})} P （ x t | s t ） {\displaystyle \textstyle P(x_{t}|s_{t})} P （ s t + 1 | s t 、 1 t ） {\displaystyle \textstyle P(s_{t+1}|s_{t},a_{t})} マルコフ連鎖 （MC）が定義される。目的は、最もコストの低いマルコフ連鎖を見つけることである。
NNは学習コンポーネントとして機能します。[ 146 ] [ 147 ] 動的計画法 とNNを組み合わせたニューロ動的 計画法[ 148 ] 離散化 グリッド密度を下げてもコストを軽減できるNNの能力により、車両ルーティング [ 149 ] 天然資源管理 [ 150 ] [ 151 ] 医療 [ 152 ]
自己学習 自己学習は、自己学習が可能なクロスバー適応アレイ （CAA）ニューラルネットワークとともに1982年に導入されました。 [ 153 ] [ 154 ]
状況sでは、行動aを実行する。 結果状況s'を受け取る。 結果的な状況にあるときの感情v(s')を計算する。 クロスバーメモリw'(a,s) = w(a,s) + v(s')を更新します。 逆伝播される価値（二次強化）は、結果状況に対する感情である。CAAは、行動環境と遺伝環境という2つの環境に存在し、遺伝環境から行動環境で遭遇する状況に関する初期感情（一度だけ）を受け取る。遺伝環境からゲノムベクトル（種ベクトル）を受け取ったCAAは、望ましい状況と望ましくない状況の両方を含む行動環境において、目標追求行動を学習する。[ 155 ]
種類 ニューラルネットワーク（NN）には、 さまざまな手法があります。最も単純なタイプは、ユニット数、層数、ユニットの重み、トポロジー などの静的な要素を持ちます。動的なNNは、学習によって進化します。一部のタイプは、オペレーターによる「監視」学習を可能にするか、または必要としますが、他のタイプは独立して動作します。一部のタイプは完全にハードウェア上で動作しますが、他のタイプは完全にソフトウェアで、汎用コンピュータ上で動作します。
主な種類は以下のとおりです。
ネットワーク設計 モデルの選択は、データとアプリケーションによって異なります。テキストデータでうまく機能するモデルは、通常、画像データなどには最適な選択肢ではありません。重要な要素は、モデルが使用するトレーニング/学習です。[ 173 ]
ニューラルアーキテクチャ探索 （NAS）は、機械学習を使用してニューラルネットワークの設計を自動化します。NASは、手作業で設計されたシステムと比較しても遜色のないネットワークを生み出してきました。基本的なアルゴリズムは、候補モデルを提案し、データセットに対して評価し、その結果をフィードバックとして使用してNASネットワークを学習させることです。[ 174 ] 取り組みには、 AutoML とAutoKerasが含まれます。[ 175 ] scikit-learnライブラリは、 ディープネットワークをゼロから構築するのに役立つ関数を提供します。
ハイパーパラメータは設計上の選択であり（学習されるものではない）。[ 176 ]
理論的特性
容量 モデルの「容量」特性は、任意の関数をモデル化する能力です。これは、ネットワークに格納できる情報量と複雑性の概念に関連しています。情報容量とVC次元は 2つの指標です。標準ニューロン（畳み込みではない）のネットワークの容量は、ニューロンを電気要素として考えることから導かれる4つのルール[ 180 ]
情報容量は、入力として任意のデータが与えられた場合にネットワークがモデル化できる機能を捉えます。VC 次元は測度論 の原理を使用し、特定の形式の入力データが与えられた場合の最適な状況下での最大容量を見つけます。任意の入力に対する VC 次元は、パーセプトロンの情報容量の半分です。任意の点に対する VC 次元は、メモリ容量と呼ばれることもあります。[ 181 ] [ 182 ]
収束 モデルは必ずしも単一の解に収束するとは限りません。システムが局所最適解に陥ってしまう可能性があるためです。あるいは、使用する最適化手法が局所最適解から大きく離れた場所から開始した場合、収束が保証されない場合もあります。さらに、データやパラメータが十分に大きい場合、一部の手法は非現実的に低速または高コストになります。また、学習中に鞍点 を通過してしまい、解へのアクセスが妨げられる可能性もあります。
ネットワークの幅が無限大に近づくと、トレーニング全体を通してその1次テイラー展開 でよく記述され、アフィンモデル の収束 挙動を継承します。[ 183 ] [ 184 ] [ 185 ] [ 186 ] [ 187 ] この現象は、ヤコビ法 などのよく研究されている反復数値スキームの挙動とは逆です。より深いニューラルネットワークは、低周波数関数に偏っています。[ 188 ]
アプリケーション ニューラルネットワークは、画像処理、音声認識、自然言語処理、金融、医療など、幅広い分野で応用されています。 非線形プロセスをモデル化および再現できる能力を持つため、ニューラルネットワークは多くの分野で応用されています。その例としては、以下のようなものがあります。
ニューラルネットワークは、癌の診断[ 207 ] [ 208 ] [ 209 ] [ 210 ]
ニューラルネットワークは、自然災害にさらされるインフラストラクチャの信頼性分析を加速するために使用されてきました[ 211 ] [ 212 ] [ 213 ] 。 [ 214 ] 。ニューラル ネットワークは、地球科学 、すなわち水文学[ 215 ] [ 216 ] 沿岸工学 [ 217 ] [ 218 ] 地形学 [ 219サイバーセキュリティ にも利用されています。例えば、機械学習は、Androidマルウェアの分類[220] 、 脅威 アクター に属する [ 221 ]ボットネット、 [ 222 ] [ 223 ]
ニューラルネットワークは、物理学における偏微分方程式 を解くためのツールとして提案されており[ 224 ] [ 225 ] [ 226 ] 開放量子システムの特性をシミュレートするためにも用いられている [ 227 ] [ 228 ] [ 229 ] 個々のニューロン の短期的な挙動を研究しており[ 230 ] 神経回路 のダイナミクスは個々のニューロン間の相互作用から生じ、完全なサブシステムを表す抽象的な神経モジュールからどのように挙動が生じるかが研究されている。研究では、神経系の長期的および短期的な可塑性、そして個々のニューロンからシステムレベルまでの学習と記憶との関係が検討されている。
ニューラルネットワークは、写真からユーザーの興味をプロファイリングしたり[ 231 ] [ 232 ] 。
画像処理 ニューラルネットワークは、画像分類、物体認識、顔認識、画像セグメンテーションなどのコンピュータビジョン タスクに利用されています。診断のための自動監視医療画像処理にも応用されています。 [ 233 ]
音声認識 ニューラルネットワークは、話者識別、音声テキスト変換、テキスト音声変換に使用されます。ニューラルネットワークは、従来の技術を凌駕し、大規模語彙連続音声認識を克服しました。 [ 233 ] [ 234 ] [ 235 ] [ 236 ]
自然言語処理 自然言語処理 では、ニューラルネットワークは、テキスト分類 、感情分析 、機械翻訳 、自由形式の質問への回答、チャットボットとしての動作、テキストの要約と分析などのタスクに使用されます。 [ 233 ] [ 234 ] [ 237 ]
制御システム ニューラルネットワークは、システム同定、制御設計、自律走行車、最適化などのタスクのために動的システムをモデル化するために使用されます。[ 238 ]
ファイナンス 大手金融機関は、投資業務を支援するためにAIを使用しています。[ 239 ] BlackRock のAIエンジンであるAladdinは 、社内および顧客の両方で投資判断を支援するために使用されています。その機能には、ニュース、ブローカーレポート、ソーシャルメディアフィードなどのテキストを分析するための自然言語処理 の使用が含まれます。次に、言及されている企業に対する感情を測定し、スコアを割り当てます。UBSやドイツ銀行などの銀行は、SQREEM （Sequential Quantum Reduction and Extraction Model）を使用してデータをマイニングし、顧客プロファイルを作成して、資産管理 商品とマッチングします。[ 240 ]
薬 ニューラルネットワークは医療データセットを分析します。特に、複雑な医療画像 を解釈して早期疾患検出に役立てたり、患者の転帰を予測して個別化された治療計画を作成したりすることで、診断精度を向上させます。[ 234 ] 創薬 においては、ニューラルネットワークは潜在的な薬剤候補の特定を迅速化し、その有効性と安全性を予測することで、開発時間とコストを大幅に削減します。[ 233 ] さらに、個別化医療 やヘルスケアデータ分析への応用により、個々の患者に合わせた治療や効率的な患者ケア管理が可能になります。[ 234 ]
サイバーセキュリティ ニューラルネットワークは、異常検知、マルウェア分類、侵入検知などのサイバーセキュリティ分野で広く応用されています。ニューラルネットワークは、通常のシステムやネットワークの動作パターンを学習することで、悪意のある活動を示す逸脱を特定できます。[ 241 ]
コンテンツ作成 トランスフォーマーは、さまざまな業界で コンテンツ作成 に使用されています。[ 242 ] DALL-E は 6 億 5000 万組の画像とテキストでトレーニングされており、ユーザーのテキストに基づいてアートワークを作成できます。[ 243 ] AIVA やJukedeck などの企業は、トランスフォーマーを使用してオリジナルの音楽を作成しています。[ 244 ] [ 242 ] [ 245 ] [ 246 ]
問題
トレーニング ニューラルネットワークが機能するには、数百万のトレーニングサンプルが必要です。2026年現在、商用LLM（GPT、Grok、Gemini）のトレーニングには通常数十万台のコンピュータが必要で、数千万ドルの費用がかかります。[ 247 ] [ 167 ]
理論 ニューラルネットワーク（NN）の中心的な主張は、情報処理のための新しく強力な一般原理を体現しているという点にある。しかし、その根底にあるのは、長年にわたり開発されてきた統計的手法である。
コンセプトのずれ 入力データの統計的特性は時間とともに変化する可能性があり、これは概念ドリフト または非定常性 と呼ばれる現象です。ドリフトが検出されて修正されない場合、予測精度が低下し、信頼性の低い、あるいは偏った意思決定につながる可能性があります。実際には、これはモデルの実運用時の精度が、トレーニング中に観測されたレベルと大きく異なる可能性があることを意味します。
ニューラルネットワークのドリフトや劣化を監視するために、いくつかの戦略が開発されてきた。
エラーベースのモニタリング ：現在の予測結果を正解ラベルと比較する。このアプローチは予測性能を直接定量化するが、ラベルの取得が遅れたり、取得が困難な場合には実用的ではない可能性がある。データ分布の監視 ：統計的検定、乖離尺度、または密度比推定を用いて、入力データ分布の変化を検出する。表現のモニタリング：内部 埋め込み または隠れ層の特徴の分布を追跡します。潜在表現のシフトは、ラベルが利用できない場合でも非定常性を示す可能性があります。統計的プロセス管理 [ 252 ]
データセットの偏り ニューラルネットワークはトレーニングデータの質に依存しており、質の低いデータではモデルが不十分な結果を生み出す可能性があります。[ 253 ] [ 254 ] 顔認識 や法執行機関 などでエラーを引き起こす可能性があります。[ 254 ] [ 255 ] Amazonは 、ソフトウェアエンジニアリングの職種において男性労働者の数が多いため、モデルが女性よりも男性を優遇する採用ツールを廃止しました。[ 255 ] 合成データ を追加することです。 [ 256 ]
解釈可能性の欠如 ニューラルネットワークは、意思決定プロセスを理解するのが難しい「ブラックボックス」システムです。さらに、ニューラルネットワークは敵対的サンプル（「ポイズン」）に対して脆弱であり、誤った予測を引き起こす可能性があります。
これらの懸念から、説明可能な人工知能 （XAI）、堅牢な機械学習、ニューラル学習と記号推論を組み合わせたハイブリッドAIアプローチの研究が増加している。ハイブリッド モデル の支持者は、このような組み合わせが人間の心のメカニズムをよりよく捉えることができるとも述べている。[ 257 ] [ 258 ]
進歩には、局所学習と非局所学習、浅層アーキテクチャと深層アーキテクチャなどが含まれる。[ 259 ]
人間の思考（生物学的神経ネットワーク）を分析することもまた、困難であることが分かっている。
ギャラリー 単層フィードフォワードニューラルネットワーク。矢印は
x 2 {\displaystyle x_{2}} は分かりやすさのために省略されています。このネットワークには
p 個の入力と q 個 の出力があります。このシステムでは、
q 番目の出力の値は、
y q \displaystyle y_q}} は次のように計算されます。
y q = K ⋅ （ ∑ 私 （ x 私 w 私 q ） − b q ） 。 {\displaystyle y_{q}=K\cdot \left(\sum _{i}(x_{i}w_{iq})-b_{q}\right).} 2層フィードフォワードニューラルネットワーク
ニューラルネットワーク
NN依存グラフ
入力4つ、隠れ層6つ、出力2つを持つ単層フィードフォワードニューラルネットワーク。位置状態と方向が与えられると、ホイールベースの制御値を出力します。
8つの入力、2×8の隠れノード、2つの出力を持つ2層フィードフォワードニューラルネットワーク。位置状態、方向、その他の環境値が与えられると、スラスタ制御値を出力する。
CMACニューラルネットワークの並列パイプライン構造。この学習アルゴリズムは1ステップで収束する。
参考文献 ↑ Hardesty L (2017年4月14日). 「解説：ニューラルネットワーク」 . MITニュースオフィス. 2024年3月18日のオリジナルからアーカイブ済み. 2022年 6月2日 取得 . ↑ Yang Z, Yang Z (2014). Comprehensive Biomedical Physics . カロリンスカ研究所、ストックホルム、スウェーデン：Elsevier. p. 1. ISBN 978-0-444-53633-4 2022年7月28日にオリジナルからアーカイブされました。2022年 7月28日 に取得されました 。↑ Bishop CM (2006年8月17日). パターン認識と機械学習 (PDF) . ニューヨーク: Springer. ISBN 978-0-387-31073-2 。1 2 Vaswani A 、Shazeer N 、Parmar N (2017)。 「注意こそすべて」 （ PDF） 。 ニューラル情報処理システムの進歩 。30。arXiv ： 1706.03762 。 ↑ Ferrie, C., Kaiser, S. (2019). Neural Networks for Babies . Sourcebooks. ISBN 978-1-4926-7120-6 。↑ Stigler SM (1981). "ガウスと最小二乗法の発明" . Ann. Stat . 9 (3): 465– 474. Bibcode : 1981AnSta...945451S . doi : 10.1214/aos/1176345451 . 1 2 3 4 5 6 7 8 Schmidhuber J (2025年12月29日). 「現代AIと深層学習の注釈付き歴史」. arXiv : 2212.11279 [ cs.NE ]. ↑ スティグラー SM (1986). 統計学の歴史：1900年以前の不確実性の測定 . ケンブリッジ：ハーバード大学出版局. ISBN 0-674-40340-1 。1 2 3 McCulloch WS、Pitts W (1943 年 12 月)。 「 神経活動に内在する観念の論理的計算」 。The Bulletin of Mathematical Biophysics。5 ( 4 ): 115–133。Bibcode : 1943BMaB....5..115M。doi : 10.1007 /BF02478259。ISSN 0007-4985。2024 年 8 月 7 日 取得 。 {{cite journal}}: CS1メンテナンス: アーカイブサービスは非推奨になりました (リンク)↑ Kleene S (1956). "Representation of Events in Nerve Nets and Finite Automata" . Annals of Mathematics Studies . No. 34. Princeton University Press. pp. 3– 41. 2024年5月19日のオリジナルから アーカイブ済み。 2017年 6月17日 取得 。 ↑ Hebb D (2005) [初版 1949 年]. 行動の組織化 . Taylor & Francis. ISBN 978-1-135-63190-1 。↑ Farley B、WA Clark (1954)。「デジタルコンピュータによる自己組織化システムのシミュレーション」。IRE Transactions on Information Theory。4 ( 4 ): 76– 84。Bibcode : 1954TIPIT ...4...76F。doi : 10.1109 / TIT.1954.1057468 。 ↑ Rochester N、JH Holland、LH Habit、WL Duda (1956)。「大型デジタルコンピュータを用いた脳の作用に関する細胞集合理論の検証」。IRE Transactions on Information Theory。2 ( 3): 80– 93。Bibcode : 1956IRTIT...2...80R。doi : 10.1109 / TIT.1956.1056810 。 ↑ Haykin (2008) ニューラルネットワークと学習マシン、第3版 ↑ Rosenblatt F (1958). " パーセプトロン：脳における情報貯蔵と組織化のための確率モデル". Psychological Review . 65 (6): 386–408 . CiteSeerX 10.1.1.588.3775 . doi : 10.1037/h0042519 . PMID 13602029. S2CID 12781225 . ↑ Werbos P (1975). 回帰を超えて: 行動科学における予測と分析のための新しいツール 。 ↑ Rosenblatt F (1957). 「パーセプトロン ― 知覚と認識を行う自動機械」 レポート 85-460-1 . コーネル航空研究所。 ↑ Olazaran M (1996). "パーセプトロン論争の公式史に関する 社会学的研究". Social Studies of Science . 26 (3): 611– 659. doi : 10.1177/030631296026003005 . JSTOR 285702 . S2CID 16786738 . 1 2 3 Joseph RD (1961). パーセプトロン理論への貢献 (博士論文). コーネル大学. 1 2 Rosenblatt F (1962). Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms . Spartan Books. ↑ Russel S 、 Norvig、Peter (2010)。人工知能 ： 現代的アプローチ （PDF） （第3 版）。アメリカ合衆国：Pearson Education。pp. 16–28。ISBN 978-0-13-604259-4 2023年12月9日 に取得 。{{cite book}}: CS1メンテナンス: アーカイブサービスは非推奨になりました (リンク)↑ McCarthy J、Minsky M、Rochester N、Shannon C (1955)。 「人工知能に関するダートマス夏季研究プロジェクトの提案」 。 スタンフォード大学。 2026年 3月15日 取得 。 ↑ Minsky M 、Papert S (1969)。 パーセプトロン：計算幾何学入門 。MIT Press。doi : 10.7551/ mitpress /11301.001.0001。ISBN 978-0-262-34393-0 。↑ Ivakhnenko AG、Lapa VG (1967)。 サイバネティクスと予測技術 。American Elsevier Publishing Co. ISBN 978-0-444-00020-0 。↑ Ivakhnenko A (1970年3月) 「工学サイバネティクス の 問題におけるヒューリスティック自己組織化」 Automatica 6 ( 2): 207–219 . Bibcode : 1970Autom...6..207I . doi : 10.1016/0005-1098(70)90092-0 . 2024年8月12日のオリジナルから アーカイブ済み。 2024年 8月7日 取得 。 ↑ Ivakhnenko A (1971). "複雑系の多項式理論" (PDF) . IEEE Transactions on Systems, Man, and Cybernetics . SMC-1 (4): 364– 378. Bibcode : 1971ITSMC...1..364I . doi : 10.1109/TSMC.1971.4308320 . 2017年8月29日のオリジナルから アーカイブ (PDF) 。 2019年 11月5日 取得 。 ↑ Robbins H 、 Monro S (1951)。 「確率近似法」 。The Annals of Mathematical Statistics。22 ( 3 ): 400。doi : 10.1214/aoms/1177729586 。 ↑ Amari S (1967). "適応型パターン分類器の理論" (PDF) . IEEE Transactions . EC (16): 279– 307. ↑ 福島 健 (1969). 「アナログ閾値素子の多層ネットワークによる視覚的特徴抽出」. IEEE Transactions on Systems Science and Cybernetics . 5 (4): 322–333 . Bibcode : 1969ITSSC...5..322F . doi : 10.1109/TSSC.1969.300225 . ↑ Sonoda S, Murata N (2017). "無制限活性化関数を持つニューラルネットワークは普遍近似器である". Applied and Computational Harmonic Analysis . 43 (2): 233– 268. arXiv : 1505.03654 . doi : 10.1016/j.acha.2015.12.005 . S2CID 12149203 . ↑ Ramachandran P、Barret Z、Quoc VL (2017年10月16日)。「活性化関数の探索」。arXiv : 1710.05941 [ cs.NE ] 。 ↑ Minsky M 、Papert S (1969)。 パーセプトロン：計算幾何学入門 。MIT Press。ISBN 978-0-262-63022-1 。↑ Bozinovski S (2020年9月15日). 「ニューラルネットワークにおける転移学習に関する最初の論文のリマインダー、1976年」 . Informatica . 44 (3). doi : 10.31449/inf.v44i3.2828 . ISSN 1854-3871 . ↑ Rumelhart D、 Hinton G 、Williams R ( 1986)。「 誤差 逆伝播による表現の学習」。Nature。323 ( 6088 ): 533–536。Bibcode : 1986Natur.323..533R。doi : 10.1038 /323533a0 。 ↑ ライプニッツ GW (1920). ライプニッツの初期数学手稿：カール・イマヌエル・ゲルハルト出版のラテン語テキストからの翻訳、批評的および歴史的注釈付き（ライプニッツは1676年の回想録で連鎖律を発表した） 。オープンコート出版 。ISBN 978-0-598-81846-1 。↑ Kelley HJ (1960). "最適な飛行経路の勾配理論". ARS Journal . 30 (10): 947– 954. doi : 10.2514/8.5282 . ↑ Linnainmaa S (1970). アルゴリズムの累積丸め誤差を局所丸め誤差のテイラー展開として表現する方法 (修士論文) (フィンランド語). ヘルシンキ大学. p. 6–7. ↑ Linnainmaa S (1976). "累積丸め誤差のテイラー展開". BIT Numerical Mathematics . 16 (2): 146– 160. doi : 10.1007/bf01931367 . S2CID 122357351 . ↑ Ostrovski, GM、Volin, YM、Boris, WW (1971)。導関数の計算について。Wiss. Z. Tech. Hochschule for Chemistry、13:382–384。 1 2 Schmidhuber J (2014 年 10 月 25 日). 「バックプロパゲーションを発明したのは誰か？」 . IDSIA、スイス。2024 年 7 月 30 日のオリジナルから アーカイブ。2024 年 9 月 14 日 取得 。 ↑ Werbos PJ (1982), Drenick RF, Kozin F (編), "Applications of advances in nonlinear sensitivity analysis" (PDF) , System Modeling and Optimization , Lecture Notes in Control and Information Sciences, vol. 38, Berlin/Heidelberg: Springer-Verlag, pp. 762–770 , doi : 10.1007/bfb0006203 , ISBN 978-3-540-11691-2 2016年4月14日にオリジナル（PDF） からアーカイブされ、 2026年 3月27日に 取得されました。 {{citation}}: CS1メンテナンス: ISBNを使用した作業パラメータ (リンク)↑ Anderson JA 、Rosenfeld E 編 (2000)。Talking Nets : An Oral History of Neural Networks。MIT Press。doi : 10.7551/mitpress/6626.003.0016。ISBN 978-0-262-26715-1 2024年8月7日 に取得 。{{cite book}}: CS1メンテナンス: アーカイブサービスは非推奨になりました (リンク)↑ Werbos PJ (1994). バックプロパゲーションのルーツ：順序付き微分からニューラルネットワークと政治予測まで 。ニューヨーク：John Wiley & Sons。ISBN 0-471-59897-6 。↑ Rumelhart DE、Hinton GE、Williams RJ (1986 年 10 月)。 「 誤差 逆伝播による表現の学習」 。Nature。323 ( 6088): 533–536。Bibcode : 1986Natur.323..533R。doi : 10.1038 /323533a0。ISSN 1476-4687。2021 年 3月8 日 の オリジナルから アーカイブ 。2021 年 3 月 17 日 取得 。 ↑ 福島 健（1979） 「位置ずれに影響されないパターン認識機構のニューラルネットワークモデル―ネオコグニトロン」 .電子 情報通信学会論文集（日本語） . J62-A（10）： 658–665 . doi ： 10.1007/bf00344251 . PMID 7370364 . S2CID 206775608 . ↑ 福島 健 (1980). "Neocognitron: 位置のずれに影響されないパターン認識メカニズムのための自己組織化ニューラルネットワークモデル" . Biol. Cybern . 36 (4): 193– 202. doi : 10.1007/bf00344251 . PMID 7370364 . S2CID 206775608 . 1 2 3 Schmidhuber J (2015). "ニューラルネットワークにおける深層学習：概要". Neural Networks . 61 : 85–117 . arXiv : 1404.7828 . Bibcode : 2015NN.....61...85S . doi : 10.1016 / j.neunet.2014.09.003 . PMID 25462637. S2CID 11715509 . ↑ 福島 健、三宅 聡 (1982 年 1 月 1 日)。 「 ネオ コグニ トロン：変形や位置ずれに耐性 の あるパターン認識のための新しいアルゴリズム」 。 パターン認識 。15 (6): 455–469。Bibcode : 1982PatRe..15..455F。doi : 10.1016/0031-3203( 82 )90024-3。ISSN 0031-3203。2024 年 9月 9 日 取得 。 {{cite journal}}: CS1メンテナンス: アーカイブサービスは非推奨になりました (リンク)↑ Waibel A (1987年12月). 時間遅延ニューラルネットワークを用いた音素認識 (PDF) . 電気情報通信学会 (IEICE) 講演会. 東京, 日本. 2024年9月17日のオリジナルから アーカイブ (PDF) . 2024年 9月20日 取得 . ↑ Alexander Waibel et al.、「時間遅延ニューラルネットワークを使用した音素認識」、2024年12月11日に Wayback Machineに アーカイブ済み 、IEEE Transactions on Acoustics, Speech, and Signal Processing、第37巻、第3号、328～339ページ、1989年3月。↑ Zhang W (1988). 「シフト不変パターン認識ニューラルネットワークとその光学的アーキテクチャ」 . 日本応用物理学会年次大会論文集 . 2020年6月23日のオリジナルから アーカイブ済み. 2023年 4月12日 取得 . ↑ LeCun et al. 、「手書き郵便番号認識へのバックプロパゲーションの適用」、ニューラルコンピューティング 、1、pp. 541–551、1989年。 ↑ Zhang W (1990). "ローカル空間不変相互接続を備えた並列分散処理モデルとその光アーキテクチャ" . Applied Optics . 29 (32): 4790– 7. Bibcode : 1990ApOpt..29.4790Z . doi : 10.1364/AO.29.004790 . PMID 20577468 . 2017年2月6日のオリジナルから アーカイブ済み。 2023年 4月12日 取得 。 ↑ Zhang W (1991). "学習ネットワークに基づくヒト角膜内皮の画像処理" . Applied Optics . 30 (29): 4211– 7. Bibcode : 1991ApOpt..30.4211Z . doi : 10.1364/AO.30.004211 . PMID 20706526 . 2024年6月19日にオリジナルから アーカイブ済み。 2024年 9月20日 に取得 。 ↑ Zhang W (1994). "シフト不変人工ニューラルネットワークを用いたデジタルマンモグラフィにおけるクラスター状微小石灰化のコンピュータによる検出" . Medical Physics . 21 (4): 517– 24. Bibcode : 1994MedPh..21..517Z . doi : 10.1118/1.597177 . PMID 8058017 . 2024年6月20日にオリジナルから アーカイブ済み。 2024年 9月20日 に取得 。 ↑ LeCun Y、レオン・ボットー、ヨシュア・ベンジオ、パトリック・ハフナー (1998)。 「文書認識に適用された勾配ベースの学習」 (PDF) 。 IEEE の議事録 。 86 (11): 2278–2324 。 ビブコード : 1998IEEEP..86.2278L 。 CiteSeerX 10.1.1.32.9552 。 土井 : 10.1109/5.726791 。 S2CID 14542261 。 2023 年 10 月 30 日の オリジナル (PDF) からアーカイブ 。 2016 年 10 月 7 日 に取得 。 ↑ Qian, Ning、および Terrence J. Sejnowski。「ニューラルネットワークモデルを用いた球状タンパク質の二次構造の予測」分子生物学ジャーナル 202、第 4 号 (1988): 865–884。 ↑ ボーア、ヘンリック、ヤコブ・ボーア、セーレン・ブルナク、ロドニー・M・J・コッテリル、ベニー・ラウトルップ、レイフ・ノルスコフ、オーレ・H・オルセン、ステフェン・B・ピーターセン。 「神経ネットワークによるタンパク質の二次構造と相同性 ロドプシンのαヘリックス」 FEBS レター 241、(1988): 223–228 ↑ Rost、Burkhard、およびChris Sander：「70%以上の精度でのタンパク質二次構造の予測」分子生物学ジャーナル 232、第2号（1993）：584-599。 ↑ Amari SI (1972 年 11 月). "閾値要素の自己組織化ネットによるパターンとパターンシーケンスの学習" . IEEE Transactions on Computers . C-21 (11): 1197– 1206. Bibcode : 1972ITCmp.100.1197A . doi : 10.1109/TC.1972.223477 . ISSN 0018-9340 . ↑ Hopfield JJ (1982). "ニューラルネットワークと、集合的な計算能力が新たに生じる物理システム" . Proceedings of the National Academy of Sciences . 79 (8): 2554– 2558. Bibcode : 1982PNAS...79.2554H . doi : 10.1073/pnas.79.8.2554 . PMC 346238 . PMID 6953413 . ↑ Espinosa-Sanchez JM、Gomez-Marin A、de Castro F (2023年7月5日)。 「サイバネティクスの誕生におけるカハルとロレンテ・デ・ノの神経科学の重要性」 。The Neuroscientist。31 ( 1 ): 14–30。doi : 10.1177 / 10738584231179932。hdl : 10261 / 348372。ISSN 1073-8584。PMID 37403768。 2024 年 8 月 7 日 取得 。 {{cite journal}}: CS1メンテナンス: アーカイブサービスは非推奨になりました (リンク)↑ 「反響回路」 。 オックスフォード・リファレンス。 2024年 7月27日 取得 。 {{cite web}}: CS1メンテナンス: アーカイブサービスは非推奨になりました (リンク)↑ Bozinovski, S. (1982). 「二次強化を用いた自己学習システム」。Trappl, Robert (編)『サイバネティクスとシステム研究：第6回ヨーロッパサイバネティクスとシステム研究会議議事録』North-Holland、pp. 397–402。ISBN 978-0-444-86488-8 ↑ Bozinovski S. (1995)「神経遺伝学的因子と自己強化学習システムの構造理論」CMPSCIテクニカルレポート95-107、マサチューセッツ大学アマースト校Wayback Machine に2024年10月8日に アーカイブされました ↑ Zajonc R (1980). "感情と思考：好みには推論は不要です" . American Psychologist . 35 (2): 151– 175. doi : 10.1037/0003-066X.35.2.151 . ↑ Lazarus RS (1982年11月) 「感情と認知の関係についての考察」 American Psychologist . 37 (9): 1019–1024 . Bibcode : 1982AmPsy..37.1019L . doi : 10.1037/0003-066X.37.9.1019 . ISSN 1935-990X . ↑ Bozinovski S (2014). "1981年以降の人工ニューラルネットワークにおける認知-感情相互作用のメカニズムのモデリング" (PDF) . Procedia Computer Science . 41 : 255– 263. doi : 10.1016/j.procs.2014.11.111 . 2019年3月23日に オリジナル からアーカイブ済み 。 ↑ Schmidhuber J (1991年4月) 「ニューラルシーケンスチャンカー」 (PDF) . TR FKI-148、ミュンヘン工科大学 。 2024年9月14日にオリジナルから アーカイブ (PDF) 。 2024年 9月21日 に取得。 ↑ Schmidhuber J (1992). "履歴圧縮の原理を用いた複雑で拡張されたシーケンスの学習（TR FKI-148、1991に基づく）" (PDF) . Neural Computation . 4 (2): 234– 242. doi : 10.1162/neco.1992.4.2.234 . S2CID 18271205 . 2024年9月14日にオリジナルから アーカイブ (PDF) 。 2024年 9月21日 に取得 。 ↑ Schmidhuber J (1993). 教授資格論文: システムモデリングと最適化 (PDF) . 2024年8月7日にオリジナルから アーカイブ (PDF) . 2024年 9月21日 に取得 . ↑ S. Hochreiter.、「 Untersuchungen zu dynamischen neuronalen Netzen」、ウェイバック マシン で 2015 年 3 月 6 日に アーカイブ、卒業論文。インスティチュート f.工科大学インフォマティックミュンヘン。アドバイザー: J. シュミットフーバー 、1991 年。 ↑ Hochreiter S, et al. (2001年1月15日). 「リカレントネットワークにおける勾配フロー：長期依存性の学習の難しさ」 . Kolen JF、Kremer SC (編) 『動的リカレントネットワークのフィールドガイド 』John Wiley & Sons. ISBN 978-0-7803-5369-5 2024年5月19日にオリジナルからアーカイブされました。2017年 6月26日 に取得 。↑ Sepp Hochreiter 、 Jürgen Schmidhuber (1995 年 8 月 21 日)、 長期短期記憶 、 ウィキデータ Q98967430 ↑ Hochreiter S 、 Schmidhuber J ( 1997 年11 月1 日 )。「長短期記憶」。Neural Computation。9 ( 8 ): 1735–1780。doi : 10.1162 / neco.1997.9.8.1735。PMID 9377276。S2CID 1915014 。 ↑ ↑ Ackley DH、Hinton GE、Sejnowski TJ (1985年1月1日)。 「ボルツマン マシン の学習アルゴリズム」 。Cognitive Science。9 ( 1): 147–169。doi : 10.1016/S0364-0213(85)80012-4。ISSN 0364-0213 。 2024 年9月17日にオリジナルから アーカイブ 。 2024年 8月 7日 に 取得 。 ↑ Smolensky P (1986). "第6章：動的システムにおける情報処理：調和理論の基礎" (PDF) . Rumelhart DE、McLelland JL (編) 『並列分散処理：認知の微細構造の探求、第1巻：基礎』 MIT Press. pp. 194–281 . ISBN 0-262-68053-X 2023年7月14日にオリジナルからアーカイブ（PDF） 。2024年 8月7日 に取得 。↑ Peter D 、 Hinton GE 、 Neal RM 、 Zemel RS ( 1995)。 「 ヘルムホルツマシン」。Neural Computation。7 ( 5 ) : 889–904。doi : 10.1162/neco.1995.7.5.889。hdl : 21.11116 / 0000-0002 - D6D3- E。PMID 7584891。S2CID 1890561 。 ↑ Hinton GE 、 Dayan P 、 Frey BJ 、Neal R (1995 年 5月26日)。 「 教師なしニューラルネットワーク のため の ウェイクスリープアルゴリズム」。Science。268 ( 5214 ) : 1158–1161。Bibcode : 1995Sci ...268.1158H。doi : 10.1126 /science.7761831。PMID 7761831。S2CID 871473 。 ↑ Schmidhuber J. 「生物にヒントを得た深層学習がコンペティションで勝ち続ける理由」『 クルツワイル・ライブラリー』 。 2018年8月31日の オリジナル からアーカイブ。 2026年 5月19日 取得 。 ↑ 「生物にヒントを得た深層学習がコンペで勝ち続ける理由」 . kurzweilai.net . 2018年8月31日時点の オリジナルよりアーカイブ 。 2017年 6月16日 取得。 ↑ Cireşan DC、Meier U 、 Gambardella LM、Schmidhuber J (2010年9 月 21日)。「手書き数字認識のための深く、大きく、 シンプル な ニューラル ネットワーク 」 。Neural Computation。22 ( 12 ) : 3207–3220。arXiv : 1003.0358。Bibcode : 2010NeCom..22.3207C。doi : 10.1162 / neco_a_00052。ISSN 0899-7667。PMID 20858131。S2CID 1918673 。 ↑ Ciresan DC、Meier U、Masci J、Gambardella L、Schmidhuber J (2011)。 「画像分類 の ための柔軟で高性能な畳み込みニューラルネットワーク」 (PDF) 。 国際人工知能合同会議 。doi : 10.5591/978-1-57735-516-8/ijcai11-210 。 2014年9月29日のオリジナルから アーカイブ (PDF) 。 2017年 6月13日 取得 。 ↑ Ciresan D、Giusti A、Gambardella LM、Schmidhuber J (2012)。Pereira F、Burges CJ、Bottou L、Weinberger KQ (編)。Advances in Neural Information Processing Systems 25 (PDF) 。Curran Associates, Inc. pp. 2843–2851 。 2017年8月9日のオリジナルから アーカイブ (PDF) 。 2017年 6月13日 取得 。 ↑ Ciresan D、Giusti A、Gambardella L、Schmidhuber J (2013)「深層ニューラルネットワークを用いた乳がん組織画像における有糸分裂検出」 Medical Image Computing and Computer-Assisted Intervention – MICCAI 2013. Lecture Notes in Computer Science. Vol. 7908. pp. 411–418 . doi : 10.1007/978-3-642-40763-5_51 . ISBN 978-3-642-38708-1 PMID 24579167 ↑ Ciresan D 、Meier U、Schmidhuber J (2012)「画像分類のためのマルチカラム深層ニューラルネットワーク」 2012 IEEE Conference on Computer Vision and Pattern Recognition 、 pp . 3642–3649。arXiv : 1202.2745。doi : 10.1109 /cvpr.2012.6248110。ISBN 978-1-4673-1228-8 . S2CID 2161592 . ↑ Krizhevsky A、Sutskever I、Hinton G (2012)。 「深層畳み込みニューラルネットワークによるImageNet分類」 （PDF） 。NIPS 2012：ニューラル情報処理システム、ネバダ州タホ湖 。 2017年1月10日のオリジナルから アーカイブ （PDF） 。 2017年 5月24日 取得 。 ↑ Simonyan K、Andrew Z (2014)。「大規模画像認識のための非常に深い畳み込みネットワーク」。arXiv : 1409.1556 [ cs.CV ] 。 ↑ Szegedy C (2015). "Going deeper with convolutions" (PDF) . Cvpr2015 . arXiv : 1409.4842 . 2024年9月30日のオリジナルから アーカイブ (PDF) . 2024年 8月7日 取得 . ↑ Ng A、Dean J (2012)。「大規模教師なし学習を用いた高レベル特徴の構築」。arXiv : 1112.6209 [ cs.LG ] 。 1 2 Ian Goodfellow、Yoshua Bengio、Aaron Courville (2016)。 ディープラーニング 。MIT Press。 2016年4月16日のオリジナルから アーカイブ。 2016年 6月1日 に取得 。 1 2 Billings SA (2013). 非線形システム同定：時間、周波数、および時空間領域におけるNARMAX法 . Wiley. ISBN 978-1-119-94359-4 。↑ Goodfellow I、Pouget-Abadie J、Mirza M、Xu B、Warde-Farley D、Ozair S、et al. (2014). Generative Adversarial Networks (PDF) . Proceedings of the International Conference on Neural Information Processing Systems (NIPS 2014). pp. 2672– 2680. 2019年11月22日のオリジナルから アーカイブ (PDF) 。 2019年 8月20日 取得 。 ↑ Schmidhuber J (1991). 「モデル構築ニューラルコントローラにおける好奇心と退屈の実装の可能性」。Proc . SAB'1991。MIT Press/Bradford Books。pp. 222–227 。 ↑ Schmidhuber J (2020). "Generative Adversarial Networks are Special Cases of Artificial Curiosity (1990) and also Closely Related to Predictability Minimization (1991)". Neural Networks . 127 : 58– 66. arXiv : 1906.04493 . doi : 10.1016/j.neunet.2020.04.008 . PMID 32334341 . S2CID 216056336 . ↑ 「GAN 2.0: NVIDIAの超リアルな顔生成器」 。SyncedReview.com 。2018年12月14日。 2024 年9月12日のオリジナルから アーカイブ。 2019年 10月3日 取得 。 ↑ Karras T、Aila T、Laine S、Lehtinen J (2018年2月26日)。「品質、安定性、およびバリエーションを向上させるためのGANの漸進的成長」。arXiv : 1710.10196 [ cs.NE ]。 ↑ 「準備せよ、パニックになるな：合成メディアとディープフェイク」 。witness.org。 2020年12月2日にオリジナルから アーカイブ済み 。 2020年 11月25日 に取得。 ↑ Sohl-Dickstein J、Weiss E、Maheswaranathan N、Ganguli S (2015年6月1日)。 「非平衡熱力学を用いた深層教師なし学習」 (PDF) 。第 32 回国際機械学習会議議事録 。37。PMLR : 2256–2265。arXiv : 1503.03585 。 2024 年 9月 21日にオリジナルから アーカイブ (PDF) 。 2024年 8月7日 に取得 。 ↑ Simonyan K、Zisserman A (2015年4月10日)。「大規模画像認識のための非常に深い畳み込みネットワーク」。arXiv : 1409.1556 [ cs.CV ] 。 ↑ He K、Zhang X、Ren S、Sun J (2016)。「整流器の深層分析：ImageNet分類における人間レベルのパフォーマンスを超える」。arXiv ： 1502.01852 [ cs.CV ] 。 ↑ He K、Zhang X、Ren S、Sun J (2015年12月10日)。 画像 認識のための深層残差学習 。arXiv : 1512.03385 。 ↑ Srivastava RK、Greff K、Schmidhuber J (2015 年 5 月 2 日)。 「ハイウェイネットワーク」。 arXiv : 1505.00387 [ cs.LG ]。 ↑ He K, Zhang X, Ren S, Sun J (2016). "Deep Residual Learning for Image Recognition". 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) . IEEE. pp. 770–778 . arXiv : 1512.03385 . doi : 10.1109/CVPR.2016.90 . ISBN 978-1-4673-8851-1 。↑ Linn A (2015年12月10日) 「マイクロソフトの研究者がImageNetコンピュータビジョンチャレンジで優勝」 The AI Blog 。 2024年 6月29日 閲覧 。 {{cite web}}: CS1メンテナンス: アーカイブサービスは非推奨になりました (リンク)↑ Schmidhuber J (1992). "Learning to control fast-weight memories: an alternative to recurrent nets" (PDF) . Neural Computation . 4 (1): 131– 139. doi : 10.1162/neco.1992.4.1.131 . S2CID 16683347 . ↑ Katharopoulos A、Vyas A、Pappas N、Fleuret F (2020)。 「Transformers are RNNs: 線形アテンションを備えた高速自己回帰Transformers」 。ICML 2020。PMLR。pp. 5156–5165 。 2023年7月11日のオリジナルから アーカイブ。 2024年 9月21日 取得 。 ↑ Schlag I、Irie K、 Schmidhuber J (2021)。「線形トランスフォーマーは実は高速な重みプログラマである」。ICML 2021。Springer。pp . 9355–9366 。 ↑ Wolf T、Debut L、Sanh V、Chaumond J、Delangue C、Moi A、et al. (2020)。「Transformers: 最先端の自然言語処理」。 2020 年自然言語処理 における経験的手法に関する会議：システムデモンストレーションの議事録 。pp. 38–45。doi : 10.18653/v1 / 2020.emnlp- demos.6。S2CID 208117506 。 ↑ Abbod MF (2007). "泌尿器癌の管理への人工知能の応用". The Journal of Urology . 178 (4): 1150– 1156. doi : 10.1016/j.juro.2007.05.122 . PMID 17698099 . ↑ Dawson CW (1998). "An artificial neural network approach to rainfall-runoff modelling" . Hydrological Sciences Journal . 43 (1): 47– 66. Bibcode : 1998HydSJ..43...47D . doi : 10.1080/02626669809492102 . 1 2 「機械学習辞書」 。cse.unsw.edu.au 。2018年8月26日のオリジナルからアーカイブ済み 。 2009 年 11 月 4日 取得。 ↑ Kufel J、Bargieł-Łączek K、Kocot S、Koźlik M、Bartnikowska W、Janik M、et al. (2023年8月3日)。 「機械学習、人工ニューラルネットワーク、深層学習 と は何か？―医学における実用例」 。Diagnostics ( Basel, Switzerland) 。13 ( 15) : 2582。doi : 10.3390/diagnostics13152582 。ISSN 2075-4418 。PMC 10417718 。PMID 37568945 。 ↑ Sazlı MH (2006年1月1日) 「フィードフォワードニューラルネットワークの簡単なレビュー」 . アンカラ大学理学部通信シリーズ A2-A3 物理科学および工学 . 50 (1): 11– 17. Bibcode : 2006CFSAU..50...11M . doi : 10.1501/commua1-2_0000000026 . ISSN 1303-6009 . ↑ 人工知能 （第3 版）。アディソン・ウェスリー出版。1992年 。ISBN 0-201-53377-4 。1 2 3 ゼル A (2003)。 「5.2章」。 シミュレーション ニューロナーの Netze [ Simulation of Neural Networks ] (ドイツ語) (第 1 版)。アディソン・ウェスリー。 ISBN 978-3-89319-554-1 . OCLC 249017987 . ↑ Elizondo D、Fiesler E ( 1997 年 10 月)。 「部分的 に接続 さ れたニューラル ネットワーク の 概観」 。International Journal of Neural Systems。08 ( 5n06 ): 535–558。doi : 10.1142/S0129065797000513。ISSN 0129-0657。PMID 10065835 。 ↑ Ciresan D、Ueli Meier、Jonathan Masci、Luca M. Gambardella、Jurgen Schmidhuber (2011)。 「画像分類のための柔軟で高性能な畳み込みニューラルネットワーク」 (PDF) 。 第22回国際人工知能合同会議議事録-第2巻 。2 : 1237–1242 。 2022 年4月5日のオリジナルから アーカイブ (PDF) 。 2022年 7月7日 取得 。 ↑ Herberg E (2023年4月18日). 「講義ノート：ニューラルネットワークアーキテクチャ」. arXiv : 2304.05133 [ cs.LG ]. ↑ ゼル A (1994)。 Simulation Neuronaler Netze [ ニューラル ネットワークのシミュレーション ] (ドイツ語) (第 1 版)。アディソン・ウェスリー。 p. 73.ISBN 3-89319-554-8 。↑ Miljanovic M (2012年2月～3月) 「時系列予測におけるリカレントニューラルネットワークと有限インパルス応答ニューラルネットワークの比較分析」 (PDF) . Indian Journal of Computer and Engineering . 3 (1). 2024年5月19日のオリジナルから アーカイブ (PDF) 。 2019年 8月21日 取得 。 1 2 Vapnik VN, Vapnik VN (1998). 統計的学習理論の本質 （改訂第2版 ）。ニューヨーク、ベルリン、ハイデルベルク：シュプリンガー 。ISBN 978-0-387-94559-0 。↑ Kelleher JD、Mac Namee B、D'Arcy A (2020)。「7-8」。 予測データ分析のための機械学習の基礎：アルゴリズム、演習例、ケーススタディ （第2 版）。マサチューセッツ州ケンブリッジ：MIT Press。ISBN 978-0-262-36110-1 OCLC 1162184998。 ↑ テルベン J、コルドバ対エスパルサ DM、ロメロ対ゴンサレス JA、ラミレス対ペドラサ A、チャベス対ウルビオラ EA (2025 年 4 月 11 日)。 「深層学習における損失関数と指標の包括的な調査」 。 人工知能のレビュー 。 58 (7) 195. 土井 : 10.1007/s10462-025-11198-7 。 ISSN 1573-7462 。 ↑ Huang GB 、 Zhu QY、Siew CK ( 2006)。「極限学習マシン：理論と応用 」 。Neurocomputing。70 ( 1 ) : 489–501。CiteSeerX 10.1.1.217.3692。doi : 10.1016 / j.neucom.2005.12.126。S2CID 116858 。 ↑ Widrow B, et al. (2013). "The no-prop algorithm: A new learning algorithm for multilayer neural networks". Neural Networks . 37 : 182–188 . doi : 10.1016/j.neunet.2012.09.020 . PMID 23140797 . ↑ Ollivier Y、Charpiat G (2015)。「バックトラッキングなしでリカレントネットワークをトレーニングする」。arXiv : 1507.07680 [ cs.NE ] 。 ↑ Hinton GE (2010). "制限付きボルツマンマシンのトレーニングに関する実践ガイド" . 技術報告書 UTML TR 2010-003 . 2021年5月9日にオリジナルから アーカイブ済み. 2017年 6月27日 に取得 . ↑ 「ハイパーパラメータチューニングとは？ IBM」 www.ibm.com 2024 年7月23日 ↑ Goodfellow I、 Bengio Y、Courville A ( 2016)。「8」。 ディープラーニング 。マサチューセッツ州ケンブリッジ：MIT出版。pp. 271–274。ISBN 978-0-262-03561-3 2025年10月26日 に取得 。↑ Bischl B、Binder M、Lang M、Pielok T、Richter J、Coors S、et al. (2023 年 3 月)。「ハイパーパラメータ最適化: 基礎、アルゴリズム、ベストプラクティス、未解決の課題」。WIREs Data Mining and Knowledge Discovery。13 (2) e1484。doi : 10.1002/widm.1484 。 ↑ Wei J (2019年4月26日). 「学習率を忘れて、減衰損失を」. arXiv : 1905.00094 [ cs.LG ]. ↑ Li Y、Fu Y、Li H、Zhang SW (2009年6月1日)「自己適応型学習率を用いたバックプロパゲーションニューラルネットワークの改良型学習アルゴリズム」 2009年国際計算知能・自然計算会議 、第1巻、 73～ 76 頁、 doi : 10.1109/CINC.2009.111 、 ISBN 978-0-7695-3645-3 . S2CID 10557754 . ↑ Bernard E (2021). 機械学習入門 . シャンペーン: Wolfram Media. p. 9. ISBN 978-1-57955-048-6 2024年5月19日にオリジナルからアーカイブされました。2023年 3月22日 に取得 。↑ Bernard E (2021). 機械学習入門 . シャンペーン: Wolfram Media. p. 12. ISBN 978-1-57955-048-6 2024年5月19日にオリジナルからアーカイブされました。2023年 3月22日 に取得 。↑ Bernard E (2021). 機械学習入門 . Wolfram Media Inc. p. 9. ISBN 978-1-57955-048-6 2024年5月19日にオリジナルからアーカイブされました。2022年 7月28日 に取得 。↑ Ojha VK、Abraham A、Snášel V ( 2017年4 月1 日 ) 。 「フィードフォワードニューラルネットワークのメタヒューリスティック設計：20 年間 の研究のレビュー」。Engineering Applications of Artificial Intelligence。60 ： 97–116。arXiv ： 1705.05584。Bibcode ： 2017arXiv170505584O。doi ： 10.1016 / j.engappai.2017.01.013。S2CID 27910748 。 ↑ Bouchard L (2020年11月25日). 「自己教師あり学習とは何か？｜機械はいつか人間のように学習できるようになるのか？」 . Medium . 2021年 6月9日 取得 。 ↑ Doersch C、Zisserman A（2017年10月） 「マルチタスク自己教師あり視覚学習」 2017 IEEE International Conference on Computer Vision (ICCV) IEEE. pp. 2070–2079 . arXiv : 1708.07860 . doi : 10.1109/iccv.2017.226 . ISBN 978-1-5386-1032-9 . S2CID 473729 . ↑ Beyer L、Zhai X、Oliver A、Kolesnikov A（2019年10月）。 「S4L：自己 教師 あり半教師あり学習」 。2019 IEEE / CVF 国際コンピュータビジョン会議（ICCV） 。IEEE。pp. 1476–1485。arXiv ： 1905.03670。doi ： 10.1109 / iccv.2019.00156。ISBN 978-1-7281-4803-8 . S2CID 167209887 . ↑ Doersch C 、Gupta A 、Efros AA（2015年 12月）。 「コンテキスト予測による教師なし視覚表現学習」 。2015 IEEE International Conference on Computer Vision (ICCV) 。IEEE。pp . 1422–1430。arXiv : 1505.05192。doi : 10.1109 / iccv.2015.167。ISBN 978-1-4673-8391-2 . S2CID 9062671 . ↑ Zheng X 、 Wang Y、Wang G、Liu J (2018 年 4 月)。 「 自己 教師あり学習 による 白血球 画像の高速かつ堅牢な セグメンテーション 」 。Micron。107 : 55–71。doi : 10.1016 / j.micron.2018.01.010。ISSN 0968-4328。PMID 29425969。S2CID 3796689 。 ↑ Gidaris S、Bursuc A、Komodakis N、Perez PP、Cord M (2019年10月) 「自己監視による少数ショット視覚学習の強化」 2019 IEEE/CVF 国際コンピュータビジョン会議 (ICCV) IEEE. pp. 8058–8067 . arXiv : 1906.05186 . doi : 10.1109/iccv.2019.00815 . ISBN 978-1-7281-4803-8 . S2CID 186206588 . ↑ 「Wav2vec: 自己監視による最先端の音声認識」 . ai.facebook.com . 2021年 6月9日 取得 。 ↑ Dominic, S., Das, R., Whitley, D., Anderson, C. (1991年7月). 「ニューラルネットワークのための遺伝的強化学習」 . IJCNN-91-シアトル国際ニューラルネットワーク合同会議 . IJCNN-91-シアトル国際ニューラルネットワーク合同会議. シアトル、ワシントン州、米国: IEEE. pp. 71–76 . doi : 10.1109/IJCNN.1991.155315 . ISBN 0-7803-0164-1 。↑ Hoskins J、Himmelblau、DM ( 1992)。「人工ニューラルネットワークと強化学習によるプロセス制御」。Computers & Chemical Engineering。16 ( 4): 241–251。doi : 10.1016 / 0098-1354(92)80045-B 。 ↑ Bertsekas D 、 Tsitsiklis J (1996)。 ニューロダイナミックプログラミング 。Athena Scientific。p. 512。ISBN 978-1-886529-10-6 2017年6月29日にオリジナルからアーカイブされました。2017年 6月17日 に取得 。↑ Secomandi N (2000). "確率的需要を伴う車両経路問題に対するニューロダイナミックプログラミングアルゴリズムの比較". Computers & Operations Research . 27 ( 11– 12): 1201– 1225. CiteSeerX 10.1.1.392.4034 . doi : 10.1016/S0305-0548(99)00146-X . ↑ de Rigo, D., Rizzoli, AE, Soncini-Sessa, R., Weber, E., Zenesi, P. (2001). "貯水池ネットワークの効率的な管理のためのニューロダイナミックプログラミング" . MODSIM 2001 国際モデリング・シミュレーション会議議事録 . MODSIM 2001 国際モデリング・シミュレーション会議 . オーストラリア、キャンベラ: オーストラリア・ニュージーランドモデリング・シミュレーション協会. doi : 10.5281/zenodo.7481 . ISBN 0-86740-525-2 2013年8月7日にオリジナルからアーカイブされました。2013年 7月29日 に取得 。↑ Damas, M., Salmeron, M., Diaz, A., Ortega, J., Prieto, A., Olivares, G. (2000). "遺伝的アルゴリズムとニューロダイナミックプログラミング：給水ネットワークへの応用". 2000年進化計算会議議事録 . 2000年進化計算会議. 第 1巻. ラホヤ、カリフォルニア州、米国: IEEE. pp. 7–14 . doi : 10.1109/CEC.2000.870269 . ISBN 0-7803-6375-2 。↑ Deng G 、Ferris, MC (2008) 「分割照射計画 の ため のニューロダイナミックプログラミング」 医学における最適化 。Springer Optimization and Its Applications、第12巻、 47–70 ページ 。CiteSeerX 10.1.1.137.8288。doi : 10.1007/ 978-0-387-73299-2_3。ISBN 978-0-387-73298-5 。↑ Bozinovski, S. (1982). 「二次強化を用いた自己学習システム」 R. Trappl (編) 『サイバネティクスとシステム研究：第6回ヨーロッパサイバネティクスとシステム研究会議議事録』 North Holland. pp. 397–402. ISBN 978-0-444-86488-8 。 ↑ Bozinovski, S. (2014) 「 1981年以降の人工 ニューラル ネットワークにおける認知と感情の相互作用メカニズムのモデリング」 Procedia Computer Science、p. 255-263 ↑ Bozinovski S、Bozinovska L ( 2001)。 「 自己学習エージェント：クロスバー価値判断に基づく感情のコネクショニスト理論」。 サイバネティクス と システム 。32 ( 6): 637–669。doi : 10.1080/01969720118145。S2CID 8944741 。 ↑ Salimans T、Ho J、Chen X、Sidor S、Sutskever I (2017年9月7日)。「進化戦略は強化学習のスケーラブルな代替手段である」。arXiv : 1703.03864 [ stat.ML ] 。 ↑ Such FP、Madhavan V、Conti E、Lehman J、Stanley KO、Clune J (20 April 2018). "Deep Neuroevolution: Genetic Algorithms Are a Competitive Alternative for Training Deep Neural Networks for Reinforcement Learning". arXiv : 1712.06567 [ cs.NE ]. ↑ 「人工知能は問題を解決するために『進化』できる」 。 サイエンス｜AAAS 。2018年1月10日。 2021年12月9日にオリジナルから アーカイブ済み 。 2018年 2月7日 に取得。 ↑ Ackley DH、 Hinton GE、Sejnowski TJ (1985)。「ボルツマンマシンの学習アルゴリズム」。 認知科学 。9 ( 1): 147– 169。doi : 10.1207/s15516709cog0901_7 。 ↑ Turchetti C (2004). Stochastic Models of Neural Networks . Frontiers in artificial intelligence and applications: Knowledge-based intelligent engineering systems. Vol. 102. IOS Press. ISBN 978-1-58603-388-0 。↑ Jospin LV、Laga H、Boussaid F、Buntine W、Bennamoun M (2022)。「Hands-On Bayesian Neural Networks—A Tutorial for Deep Learning Users」。IEEE Computational Intelligence Magazine。Vol . 17 、 no. 2 、 pp . 29–48。arXiv : 2007.06823。doi : 10.1109 / mci.2022.3155327。ISSN 1556-603X。S2CID 220514248 。 ↑ Cang Z、Wei GW (2017年7 月 27日)。 「 TopologyNet: 生体分子特性 予測 の ためのトポロジー ベースの深層畳み込みニューラル ネットワーク とマルチタスクニューラルネットワーク」 。PLOS Computational Biology。13 ( 7 ) e1005690。arXiv : 1704.00063。Bibcode : 2017PLSCB..13E5690C。doi : 10.1371 / journal.pcbi.1005690。ISSN 1553-7358。PMC 5549771。PMID 28749969 。 ↑ de Rigo, D., Castelletti, A., Rizzoli, AE, Soncini-Sessa, R., Weber, E. (2005年1月). 「水資源ネットワーク管理におけるニューロダイナミックプログラミングを加速するための選択的改善手法」 . Pavel Zítek (編). 第16回IFAC世界会議議事録 – IFAC-PapersOnLine . 第16回IFAC世界会議 . 第 16巻. チェコ共和国プラハ: IFAC. pp. 7–12 . doi : 10.3182/20050703-6-CZ-1902.02172 . hdl : 11311/255236 . ISBN 978-3-902661-75-3 2012年4月26日にオリジナルからアーカイブされました。2011年 12月30日 に取得 。↑ Ferreira C (2006). "遺伝子発現プログラミングを用いたニューラルネットワークの設計". A. Abraham、B. de Baets、M. Köppen、B. Nickolay (編) 『応用ソフトコンピューティング技術：複雑性の課題 』（PDF） . Springer-Verlag. pp. 517–536 . 2013年12月19日のオリジナルから アーカイブ （PDF） 。 2012年 10月8日 取得 。 ↑ Da, Y., Xiurun, G. (2005年7月) 「シミュレーテッドアニーリング技術を用いた改良型PSOベースANN」 T. Villmann編『 ニューロコンピューティングの新たな側面：第11回欧州人工ニューラルネットワークシンポジウム 』第63巻、 Elsevier、pp. 527–533 、 doi : 10.1016/j.neucom.2004.07.002 。 2012年4月25日の オリジナルからアーカイブ。 2011年 12月30日 取得 。 ↑ Wu, J., Chen, E. (2009年5月). 「粒子群最適化手法と人工ニューラルネットワークを組み合わせた降雨予測のための新しいノンパラメトリック回帰アンサンブル」 . Wang, H., Shen, Y., Huang, T., Zeng, Z. (編). 第6回国際ニューラルネットワークシンポジウム、ISNN 2009. Lecture Notes in Computer Science. Vol. 5553. Springer. pp. 49–58 . doi : 10.1007/978-3-642-01513-7_6 . ISBN 978-3-642-01215-0 2014年12月31日にオリジナルからアーカイブされました。 2012年 1月1日 に取得 。1 2 Ting Qin、Zonghai Chen、Haitao Zhang、Sifu Li、Wei Xiang、Ming Li (2004)。 「 RLS に基づくCMACの学習アルゴリズム」 (PDF) 。Neural Processing Letters。19 ( 1): 49–61。doi : 10.1023/B : NEPL.0000016847.18175.60。S2CID 6233899。 2021年4月14日にオリジナルから アーカイブ (PDF) 。 2019年 1 月 30日 に取得 。 ↑ Ting Qin、Haitao Zhang 、Zonghai Chen、Wei Xiang (2005)。 「Continuous CMAC-QRLS and its systolic array」 (PDF) 。Neural Processing Letters。22 ( 1 ): 1– 16。doi : 10.1007/s11063-004-2694-0。S2CID 16095286。 2018 年11月18日のオリジナルから アーカイブ (PDF) 。 2019年 1月30 日 取得 。 ↑ LeCun Y、Boser B、Denker JS、Henderson D、Howard RE、Hubbard W、et al . (1989)。「手書き郵便番号認識へのバックプロパゲーションの適用」。Neural Computation。1 ( 4 ) : 541– 551。doi : 10.1162 /neco.1989.1.4.541。S2CID 41312633 。 ↑ Yann LeCun (2016). Slides on Deep Learning Online ( 2016年4月23日、 Wayback Machine にアーカイブ)↑ シルバー D 、ヒューバート T、シュリットヴィーザー J、アントノグルー I、ライ M、ゲズ A、 他(2017 年 12 月 5 日)。 「一般的な強化学習アルゴリズムを使用したセルフプレイによるチェスと将棋のマスター」。 arXiv : 1712.01815 [ cs.AI ]。 ↑ Goodfellow I、Pouget-Abadie J、Mirza M、Xu B、Warde-Farley D、Ozair S、et al. (2014). Generative Adversarial Networks (PDF) . Proceedings of the International Conference on Neural Information Processing Systems (NIPS 2014). pp. 2672– 2680. 2019年11月22日のオリジナルから アーカイブ (PDF) 。 2019年 8月20日 取得 。 ↑ Probst P、Boulesteix AL、Bischl B (2018年2月26日)。「調整可能性：機械学習アルゴリズムのハイパーパラメータの重要性」。J . Mach. Learn. Res . 20 :53:1–53:32。S2CID 88515435 。 ↑ Zoph B、Le QV (2016年11月4日)。「強化学習によるニューラルアーキテクチャ探索」。arXiv : 1611.01578 [ cs.LG ] 。 ↑ Haifeng Jin、Qingquan Song、Xia Hu (2019)。 「Auto-keras: 効率的なニューラルアーキテクチャ検索システム」 。 第25回ACM SIGKDD国際知識発見・データマイニング会議議事録 。ACM。arXiv : 1806.10282 。 2019年8 月 21日のオリジナルから アーカイブ 。 2019年 8月21日 に autokeras.com経由で取得。 ↑ クラーセン M、デ ムーア B (2015)。 「機械学習におけるハイパーパラメータ検索」。 arXiv : 1502.02127 [ cs.LG ]。 Bibcode : 2015arXiv150202127C↑ Siegelmann H、Sontag E (1991)。 「ニューラルネットワークによるチューリング計算可能性」 (PDF) 。Appl . Math. Lett . 4 (6): 77– 80. doi : 10.1016/0893-9659(91)90080-F 。 2024年5月19日にオリジナルから アーカイブされた (PDF) 。 2017年 1月10日 に取得 。 ↑ Bains S (1998年11月3日). 「アナログコンピュータがチューリングモデルを凌駕」 . EE Times . 2023年5月11日時点のオリジナルより アーカイブ済み. 2023年 5月11日 閲覧 . ↑ Balcázar J (1997年7月). 「ニューラルネットワークの計算能力：コルモゴロフ複雑性特性」. IEEE Transactions on Information Theory . 43 ( 4): 1175–1183 . CiteSeerX 10.1.1.411.7782 . doi : 10.1109/18.605580 . ↑ Gerald F (2019). "音声およびマルチメディアデータにおける機械学習の再現性と実験設計". 第27回ACM国際マルチメディア会議議事録 . ACM . pp. 2709–2710 . doi : 10.1145/3343031.3350545 . ISBN 978-1-4503-6889-6 . S2CID 204837170 . ↑ 「いじくり回すのはやめて、測定を始めよう！ニューラルネットワーク実験の予測可能な実験設計」 。The Tensorflow Meter 。 2022年4月18日の オリジナル からアーカイブ。 2020年 3月10日 取得 。 ↑ MacKay DJ (2003). 情報理論、推論、学習アルゴリズム (PDF) . Cambridge University Press . ISBN 978-0-521-64298-9 2016年10月19日にオリジナルからアーカイブ（PDF） 。2016年 6月11日 に取得 。↑ Lee J、Xiao L、Schoenholz SS、Bahri Y、Novak R、Sohl-Dickstein J、et al. (2020)。「任意の深さのワイドニューラルネットワークは、勾配降下法の下で線形モデルとして進化する」。Journal of Statistical Mechanics : Theory and Experiment。2020 ( 12 ): 124002。arXiv : 1902.06720。Bibcode : 2020JSMTE2020l4002L。doi : 10.1088/1742-5468/ abc62b。S2CID 62841516 。 ↑ Arthur Jacot、Franck Gabriel、Clement Hongler (2018)。 ニューラルタンジェントカーネル：ニューラルネットワークにおける収束と一般化 （PDF） 。第32回ニューラル情報処理システム会議（NeurIPS 2018）、カナダ、モントリオール。 2022年6月22日のオリジナルから アーカイブ （PDF） 。 2022年 6月4日 取得 。 ↑ Xu ZJ, Zhang Y, Xiao Y (2019). "周波数領域における深層ニューラルネットワークの学習挙動". Gedeon T, Wong K, Lee M (編). ニューラル情報処理 . Lecture Notes in Computer Science. Vol. 11953. Springer, Cham. pp. 264–274 . arXiv : 1807.01251 . doi : 10.1007/978-3-030-36708-4_22 . ISBN 978-3-030-36707-7 . S2CID 49562099 . ↑ Nasim Rahaman、Aristide Baratin、Devansh Arpit、Felix Draxler、Min Lin、Fred Hamprecht 他 (2019)。 「ニューラルネットワークのスペクトルバイアスについて」 (PDF) 。第 36 回国際 機械 学習会議議事録 。97 : 5301–5310。arXiv : 1806.08734。2022 年 10 月 22 日にオリジナルから アーカイブ (PDF) 。2022 年 6 月 4 日 に 取得 。 ↑ Tao Luo、Zheng Ma、Zhi-Qin John Xu、Yaoyu Zhang (2019)。 「一般的なディープ ニューラル ネットワークの周波数原理の理論」。 応用数学に関する CSIAM トランザクション 。 2 (3): 484–507 . arXiv : 1906.09235 。 土井 ： 10.4208/csiam-am.SO-2020-0005 。 ↑ Xu ZJ 、Zhou H (2021年5月 18日)。 「 ディープ周波数原理による、なぜディープラーニングが速いのかの理解」 。 人工 知能 に関するAAAI会議議事録 。35 (12): 10541–10550。arXiv : 2007.14313。doi : 10.1609/aaai.v35i12.17261。ISSN 2374-3468。S2CID 220831156。 2021年10 月 5日にオリジナルから アーカイブ 。 2021年 10 月5日 に 取得 。 ↑ Esch R (1990). " 関数近似". 応用数学ハンドブック （ Springer US 版）.ボストン、マサチューセッツ州：Springer US.pp.928–987.doi : 10.1007 / 978-1-4684-1423-3_17.ISBN 978-1-4684-1423-3 。↑ Sarstedt M 、Moo E (2019)。 「回帰分析」 。 市場調査の簡潔なガイド 。Springer Texts in Business and Economics。Springer Berlin Heidelberg。pp . 209–256。doi : 10.1007 / 978-3-662-56707-4_7。ISBN 978-3-662-56706-7 . S2CID 240396965 . 2023年3月20日にオリジナルからアーカイブされました。 2023年 3月20日 ↑ Tian J, Tan Y, Sun C, Zeng J, Jin Y (2016年12月). 「進化最適化のための自己適応型類似性に基づく適合度近似」. 2016 IEEE Symposium Series on Computational Intelligence (SSCI) . pp. 1–8 . doi : 10.1109/SSCI.2016.7850209 . ISBN 978-1-5090-4240-1 . S2CID 14948018 . ↑ Alaloul WS、Qureshi AH (2019)。 「人工ニューラルネットワークを用いたデータ処理」 。 動的 データ 同化 – 不確実性の克服 。doi : 10.5772/ intechopen.91935。ISBN 978-1-83968-083-0 . S2CID 219735060 . 2023年3月20日にオリジナルからアーカイブされました。 2023年 3月20日 ↑ Pal M, Roy R, Basu J, Bepari MS (2013). "ブラインドソース分離：レビューと分析". 2013年東洋COCOSDA国際会議（2013年アジア音声言語研究評価会議（O-COCOSDA/CASLRE）と共同開催） . IEEE. pp. 1–5 . doi : 10.1109/ICSDA.2013.6709849 . ISBN 978-1-4799-2378-6 . S2CID 37566823 . ↑ Zissis D (2015 年 10 月) 「複数の船舶の挙動を認識および予測できるクラウドベースのアーキテクチャ」 . Applied Soft Computing . 35 : 652–661 . doi : 10.1016/j.asoc.2015.07.002 . 2020 年 7 月 26 日のオリジナルから アーカイブ済み。2019 年 7 月 18 日 取得 。 ↑ Sengupta N、Sahidullah、Md、Saha、Goutam (2016 年 8 月)。 「ケプストラムベース の 統計的特徴 を 使用した肺音の分類」。Computers in Biology and Medicine。75 ( 1): 118–129。doi : 10.1016/j.compbiomed.2016.05.013。PMID 27286184 。 ↑ Choy CB、Xu D、Gwak J、Chen K、Savarese S (2016)。「3D-R2N2: 単一および複数視点の3Dオブジェクト再構成のための統一的アプローチ」。arXiv : 1604.00449 [ cs.CV ] 。 ↑ Turek, Fred D. (2007 年 3 月). 「ニューラル ネットワーク マシン ビジョン入門」 . Vision Systems Design . 12 (3). 2013 年 5 月 16 日のオリジナルから アーカイブ済み。2013 年 3 月 5 日 取得 。 ↑ Maitra DS、Bhattacharya U、Parui SK（2015年8月）「複数の文字体系の手書き文字認識のためのCNNベースの共通アプローチ」 2015年第13回国際文書解析認識会議（ICDAR） pp. 1021–1025 . doi : 10.1109/ICDAR.2015.7333916 . ISBN 978-1-4799-1805-8 . S2CID 25739012 . ↑ Gessler J (2021年8月) 「インピーダンス分光法と人工ニューラルネットワークを応用した食品分析用センサー」 . RiuNet UPV (1): 8–12 . 2021年10月21日にオリジナルから アーカイブ済み。 2021年 10月21日 に取得 。 ↑ French J (2016). "タイムトラベラーのCAPM". Investment Analysts Journal . 46 (2): 81–96 . doi : 10.1080/10293523.2016.1255469 . S2CID 157962452 . ↑ Roman M. Balabin、Ekaterina I. Lomakina (2009)。 「 量子化学データへのニューラルネットワークアプローチ：密度汎関数理論エネルギーの正確な予測」。J . Chem . Phys. 131 (7 ) : 074104。Bibcode : 2009JChPh.131g4104B。doi : 10.1063/1.3206326。PMID 19708729 。 ↑ Silver D, et al. (2016). "Mastering the game of Go with deep neural networks and tree search" (PDF) . Nature . 529 (7587): 484– 489. Bibcode : 2016Natur.529..484S . doi : 10.1038/nature16961 . PMID 26819042 . S2CID 515925 . 2018年11月23日のオリジナルから アーカイブ (PDF) 。 2019年 1月31日 取得 。 ↑ Pasick A (2023年3月27日). 「人工知能用語集：ニューラルネットワークとその他の用語の説明」 . ニューヨーク・タイムズ . ISSN 0362-4331 . 2023年9月1日のオリジナルから アーカイブ。 2023年 4月22日 取得 。 ↑ Schechner S (2017年6月15日) 「Facebook、テロリストのプロパガンダ阻止のためAIを強化」 ウォール ・ストリート・ジャーナル 。ISSN 0099-9660 。 2024 年 5月19日のオリジナルから アーカイブ 。 2017年 6月16日 取得。 ↑ Ciaramella A 、Ciaramella M (2024)。 人工知能入門：データ分析から生成AIまで 。Intellisemantic Editions。ISBN 978-8-8947-8760-3 。↑ Maity A (2026年3月)「CrisisSense: 深層ニューラルインテリジェンスによるソーシャルシグナルのリアルタイム災害認識への変換」 2026 IEEE Madhya Pradesh Section Conference (MPCON) pp. 1501–1506 . doi : 10.1109/MPCON69668.2026.11508516 . ISBN 979-8-3315-9335-3 。↑ Ganesan N (2010). "人口統計データを用いた癌疾患診断におけるニューラルネットワークの応用" . International Journal of Computer Applications . 1 (26): 81– 97. Bibcode : 2010IJCA....1z..81G . doi : 10.5120/476-783 . ↑ Bottaci L (1997). "Artificial Neural Networks Applied to Outcome Prediction for Colorectal Cancer Patients in Separate Institutions" (PDF) . Lancet . 350 (9076). The Lancet: 469–72 . doi : 10.1016/S0140-6736(96)11196-X . PMID 9274582 . S2CID 18182063 . 2018年11月23日に オリジナル (PDF) からアーカイブ済み。 2012年 5月2日 に取得 。 ↑ Alizadeh E、Lyons SM、Castle JM、Prasad A (2016)。 「ゼルニケモーメントを用いた浸潤性癌細胞形状の系統的変化の測定」 。Integrative Biology。8 ( 11 ): 1183– 1193。doi : 10.1039/C6IB00100A。PMID 27735002。 2024 年5月19日にオリジナルから アーカイブ 。 2017年3 月 28日 に 取得 。 ↑ Lyons S (2016). "マウスにおける細胞形状の変化は転移能と相関している" . Biology Open . 5 (3): 289– 299. doi : 10.1242/bio.013409 . PMC 4810736 . PMID 26873952 . ↑ Nabian MA 、Meidani H (2017 年8 月 28日)。「インフラネットワークの信頼性分析を加速するための深層学習」。Computer - Aided Civil and Infrastructure Engineering。33 ( 6 ): 443–458。arXiv : 1708.08551。Bibcode : 2017arXiv170808551N。doi : 10.1111 / mice.12359。S2CID 36661983 。 ↑ Nabian MA、Meidani H (2018)。 「機械学習ベースの代理モデルによる地震後の交通ネットワーク接続性の確率的評価の加速」 。Transportation Research Board 第97回年次総会 。 2018年3月9日のオリジナルから アーカイブ。 2018年 3月14日 取得 。 ↑ Díaz E、Brotons V、Tomás R (2018 年 9 月)。 「傾斜した岩盤上の土壌 における基礎 の 3 次元弾性沈下を予測するための人工ニューラル ネットワークの使用」 。Soils and Foundations。58 ( 6 ) : 1414–1422。Bibcode : 2018SoFou..58.1414D。doi : 10.1016 / j.sandf.2018.08.001。hdl : 10045 / 81208。ISSN 0038-0806 。 ↑ Tayebiyan A、Mohammad TA、Ghazali AH、Mashohor S. 「降雨流出モデリングのための人工ニューラルネットワーク」 . Pertanika Journal of Science & Technology . 24 (2): 319–330 . 2023年5月17日にオリジナルから アーカイブ済み。 2023年 5月17日 に取得 。 ↑ Govindaraju RS (2000年4月1日). 「水文学における人工ニューラルネットワーク。I：予備的概念」。Journal of Hydrologic Engineering . 5 (2): 115– 123. doi : 10.1061/(ASCE)1084-0699(2000)5:2(115) 。 ↑ Govindaraju RS (2000年4月1日). 「水文学における人工ニューラルネットワーク。II：水文学的応用」。Journal of Hydrologic Engineering . 5 (2): 124– 137. doi : 10.1061/(ASCE)1084-0699(2000)5:2(124) 。 ↑ Peres DJ、 Iuppa C、Cavallaro L、Cancelliere A 、 Foti E (2015 年 10 月1 日) 。 「ニューラル ネットワークと再解析風データによる有意波高記録の拡張」。Ocean Modelling。94 : 128–140。Bibcode : 2015OcMod..94..128P。doi : 10.1016 / j.ocemod.2015.08.002 。 ↑ Dwarakish GS、Rakshith S、Natesan U (2013)。 「沿岸工学におけるニューラルネットワークの応用に関するレビュー」 。 人工知能システムと機械学習 。5 ( 7 ): 324–331 。 2017年8月15日のオリジナルから アーカイブ。 2017年 7月5日 に取得 。 ↑ Ermini L、Catani F、Casagli N (2005年3 月 1日)。「人工ニューラルネットワークを地すべり感受性評価に適用」。 地形学 。山岳環境における地形学的ハザードと人間の影響。66 ( 1): 327– 343。Bibcode : 2005Geomo..66..327E 。doi : 10.1016/ j.geomorph.2004.09.025 。 ↑ Nix R、Zhang J（2017年5月）「深層ニューラルネットワークを用いたAndroidアプリとマルウェアの分類」 2017年国際ニューラルネットワーク合同会議（IJCNN） pp. 1871–1878 . doi : 10.1109/IJCNN.2017.7966078 . ISBN 978-1-5090-6182-2 . S2CID 8838479 . ↑ 「悪意のあるURLの検出」 。UCSD のシステムおよびネットワークグループ 。 2019年7月14日の オリジナルからアーカイブ済み 。 2019年 2月15日 に取得。 ↑ Homayoun S、Ahmadzadeh M、Hashemi S、Dehghantanha A、Khayami R (2018)。「BoTShark: ボットネットトラフィック検出のための深層学習アプローチ」。Dehghantanha A、Conti M、Dargahi T (編) 『 サイバー 脅威インテリジェンス』 。Advances in Information Security。第 70巻。Springer International Publishing。pp. 137–153。doi : 10.1007 / 978-3-319-73951-9_7。ISBN 978-3-319-73951-9 。↑ Ghosh, Reilly (1994年1月)「ニューラルネットワークによるクレジットカード詐欺検出」 第27回ハワイ国際システム科学会議（HICSS-94 ）議事録、第3巻、 621～ 630 ページ、 doi : 10.1109/HICSS.1994.323314 、 ISBN 978-0-8186-5090-1 . S2CID 13260377 . ↑ Ananthaswamy A (2021年4月19日). 「最新のニューラルネットワークが世界で最も難しい方程式をかつてない速さで解く」 . Quanta Magazine . 2024年5月19日のオリジナルから アーカイブ済み。 2021年 5月12日 取得 。 ↑ 「AIは、私たちの世界を理解するための重要な数学的パズルを解いた」 。MIT テクノロジーレビュー 。 2024年5月19日のオリジナルから アーカイブ。 2020年 11月19日 取得 。 ↑ Alford A. 「Caltechが偏微分方程式を解くためのAIをオープンソース化」 . InfoQ . 2021年1月25日のオリジナルから アーカイブ済み。 2025年 8月24日 取得 。 ↑ Nagy A (2019年6月28日). 「開放量子系に対するニューラルネットワーク・アンザッツを用いた変分量子モンテカルロ法」. Physical Review Letters . 122 (25) 250501. arXiv : 1902.09483 . Bibcode : 2019PhRvL.122y0501N . doi : 10.1103/PhysRevLett.122.250501 . PMID 31347886. S2CID 119074378 . ↑吉岡 奈緒、浜崎 亮 (2019 年 6 月 28 日)。 「 開放量子多体システムのためのニューラル定常状態の構築」。Physical Review B。99 ( 21 ) 214306。arXiv : 1902.07006。Bibcode : 2019PhRvB..99u4306Y。doi : 10.1103 /PhysRevB.99.214306。S2CID 119470636 。 ↑ Hartmann MJ、Carleo G (2019 年 6 月 28日)。 「 散逸量子多体ダイナミクスへのニューラルネットワークアプローチ」 。Physical Review Letters。122 ( 25 ) 250502。arXiv : 1902.05131。Bibcode : 2019PhRvL.122y0502H。doi : 10.1103 / PhysRevLett.122.250502。PMID 31347862。S2CID 119357494 。 ↑ Forrest MD (2015 年 4 月) 「詳細なプルキンエニューロンモデルと 400 倍以上高速に動作するより単純なサロゲートモデルに対するアルコール作用のシミュレーション」 BMC Neuroscience 16 ( 27) 27. doi : 10.1186/s12868-015-0162-6 . PMC 4417229 . PMID 25928094 . ↑ Wieczorek S、Filipiak D、Filipowska A (2018)。 「ニューラルネットワーク を 用いたセマンティック画像ベースのユーザー関心プロファイリング」 。 セマンティックウェブ研究 。36 （セマンティックテクノロジーの新興トピック）。doi ： 10.3233/978-1-61499-894-5-179 。 2024年5月19日にオリジナルから アーカイブ。 2024年 1月20日 に 取得 。 ↑ Merchant A、Batzner S、Schoenholz SS、Aykol M、Cheon G、Cubuk ED (2023 年 12 月)。 「 材料 発見 の ため の 深層 学習 のスケーリング」 。Nature。624 ( 7990 ): 80–85。Bibcode : 2023Natur.624 ...80M。doi : 10.1038 / s41586-023-06735-9。ISSN 1476-4687。PMC 10700131。PMID 38030720 。 1 2 3 4 Huang Y (2009). "人工ニューラルネットワークの進歩 – 方法論の開発と応用" . Algorithms . 2 (3): 973– 1007. doi : 10.3390/algor2030973 . ISSN 1999-4893 . 1 2 3 4 Kariri E、Louati H、Louati A、Masmoudi F (2023)。 「人工ニューラルネットワーク の 進歩と将来の研究方向の探求：テキストマイニングアプローチ」 。 応用 科学 。13 ( 5 ): 3186。doi : 10.3390/app13053186。ISSN 2076-3417 。 ↑ Natarajan S、Rahman Al-Haddad SA、Ahmad FA、Kamil R、Hassan MK、Azrad S、et al. (2025年7月1日)。 「音声強調と音声認識 の ための深層ニューラルネットワーク：体系的レビュー」 。Ain Shams Engineering Journal。16 ( 7) 103405。doi : 10.1016 / j.asej.2025.103405。ISSN 2090-4479 。 ↑ Lv Z、Poiesi F、Dong Q、Lloret J、Song H (2022年11月11日)。 「 インテリジェントな人間とコンピュータのインタラクションのための深層学習」 。 応用 科学 。12 (22) 11457。doi : 10.3390/ app122211457。ISSN 2076-3417 。 ↑ スタッフ C (2024 年 9 月 26 日) 「人工ニューラルネットワークとは何か、そしてなぜそれが AI にとって重要なのか？」 Coursera 2025 年 9 月 7 日 取得 . ↑ ピロネット G、アラフキン A、ゲドン D、リュング L、リベイロ AH、シェーン TB (2025 年 1 月 1 日)。 「システム識別のためのディープネットワーク: 調査」 。 オートマチック 。 171 111907. 土井 : 10.1016/j.automatica.2024.111907 。 ISSN 0005-1098 。 ↑ 「人工知能が金融安定性に及ぼす影響」 （PDF） 。FSB 。 2025年 9月7日 取得 。 ↑ 「ロボアドバイザーを超えて：AIはいかにして資産運用を変革するか」 2017年1月5日。 ↑ Buczak A、Guven E (2016)。「サイバーセキュリティ侵入検知 の ためのデータマイニングと機械学習手法の調査」。IEEE Communications Surveys & Tutorials。18 (2): 1153– 1176。doi : 10.1109 / COMST.2015.2494502 。 1 2 Fui-Hoon Nah F、Zheng R、Cai J、Siau K、Chen L (2023年7月3日)。 「 生成 AI と ChatGPT：アプリケーション、課題、AIと人間のコラボレーション」 。Journal of Information Technology Case and Application Research。25 (3): 277–304。doi : 10.1080 / 15228053.2023.2233814。ISSN 1522-8053 。 ↑ 「DALL-E 2の失敗こそが最も興味深い点だ – IEEE Spectrum」 。IEEE 。 2022年7月15日のオリジナルから アーカイブ 。 2023年 12月9日 取得 。 ↑ Briot JP (2021年1月) 「音楽生成のための人工ニューラルネットワークからディープラーニングへ：歴史、概念、トレンド」 Neural Computing and Applications . 33 (1): 39–65 . doi : 10.1007/s00521-020-05399-0 . ISSN 0941-0643 . ↑ Chow PS (2020年7月6日). 「（ハリウッド）機械の中の幽霊：映画産業における人工知能の新たな応用」. NECSUS_European Journal of Media Studies . doi : 10.25969/MEDIAREP/14307 . ISSN 2213-0217 . ↑ Yu X、He S、Gao Y、Yang J、Sha L、Zhang Y、他 (2010年6月)「ビデオゲーム『デッドエンド』におけるゲームAIの動的難易度調整」第 3 回情報科学・インタラクション科学国際会議 。IEEE。pp . 583–587。doi : 10.1109 / icicis.2010.5534761。ISBN 978-1-4244-7384-7 . S2CID 17555595 . ↑ Parisi GI 、Kemker R 、Part JL、Kanan C、Wermter S (2019年5月1日)。 「 ニューラル ネットワーク による 継続 的 な 生涯学習：レビュー」 。Neural Networks。113 ： 54–71。arXiv ： 1802.07569。doi ： 10.1016 / j.neunet.2019.01.012。ISSN 0893-6080。PMID 30780045 。 ↑ Edwards C (2015年6月25日). 「深層学習の成長痛」. Communications of the ACM . 58 (7): 14–16 . doi : 10.1145/2771283 . S2CID 11026540 . ↑ 「人間の脳の力 - 物理学ファクトブック」 。hypertextbook.com 。 2026年 5月19日 取得 。 ↑ 「2024年米国データセンターエネルギー使用量レポート｜エネルギー技術分野」 。eta.lbl.gov 。 2026年 5月19日 取得 。 ↑ Cade Metz (2016年5月18日) 「GoogleはAIボットを動かすために独自のチップを開発した」 Wired 。 2018 年1月13日のオリジナルから アーカイブ。 2017年 3月5日 閲覧 。 ↑ Malinovskaya A 、 Mozharovskyi P、Otto P (2024年1月)。 「人工ニューラルネットワークの統計的プロセス監視」 。Technometrics。66 (1): 104–117。doi : 10.1080 / 00401706.2023.2239886 。 ↑ Norori N、Hu Q、Aellen FM、Faraci FD、Tzovara A（2021年10月）。 「医療におけるビッグデータとAIのバイアスへの対処：オープンサイエンスへ の 呼びかけ 」 。Patterns。2 （ 10 ） 100347。doi ： 10.1016 / j.patter.2021.100347。PMC 8515002。PMID 34693373 。 1 2 Carina W (2022年10月27日). 「額面通りに受け取れない：偏った顔認識技術が刑事司法における人種差別に及ぼす影響」 . Scientific and Social Research . 4 (10): 29–40 . doi : 10.26689/ssr.v4i10.4402 . ISSN 2661-4332 . 1 2 Chang X (2023年9月13日). 「採用におけるジェンダーバイアス：Amazonの採用アルゴリズムの影響分析」 . Advances in Economics, Management and Political Sciences . 23 (1): 134– 140. doi : 10.54254/2754-1169/23/20230367 . ISSN 2754-1169 . 2023年12月9日のオリジナルから アーカイブ済み。 2023年 12月9日 取得 。 ↑ Kortylewski A、Egger B、Schneider A、Gerig T、Morel-Forster A、Vetter T (2019年6月)「合成データを用いた顔認識におけるデータセットバイアスの影響の分析と軽減」 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW) (PDF) . IEEE. pp. 2261–2268 . doi : 10.1109/cvprw.2019.00279 . ISBN 978-1-7281-2506-0 . S2CID 198183828 . 2024年5月19日にオリジナルからアーカイブ（PDF）されました 。 2023年 12月30日に ↑ Tahmasebi, Hezarkhani (2012). "グレード推定のためのハイブリッドニューラルネットワーク-ファジー論理-遺伝的アルゴリズム" . Computers & Geosciences . 42 : 18– 27. Bibcode : 2012CG.....42...18T . doi : 10.1016/j.cageo.2012.02.004 . PMC 4268588 . PMID 25540468 . ↑ サンとブックマン、1990年 ↑ 「AIに向けた学習アルゴリズムのスケーリング」 （PDF） 。 2022年8月12日にオリジナルから アーカイブ （PDF） 。 2022年 7月6日 に取得。
参考文献 Bhadeshia HKDH (1999). "材料科学におけるニューラルネットワーク" (PDF) . ISIJ International . 39 (10): 966– 979. doi : 10.2355/isijinternational.39.966 . ビショップ CM (1995).パターン認識のためのニューラルネットワーク . クラレンドン・プレス. ISBN 978-0-19-853849-3 . OCLC 33101074 . ボーゲルト C (2003)。Neuro-Fuzzy-Systeme: Grundlagen künstlicher Neuronaler Netze zur Kopplung mit Fuzzy-Systeme 。見るeg。ISBN 978-3-528-25265-6 . OCLC 76538146 . Cybenko G (2006). 「シグモイド関数の重ね合わせによる近似」 . van Schuppen JH (編)『制御、信号、システムの数学』 303–314 . デューニー AK (1997).ええ、中性子は存在しません：悪い科学の紆余曲折を巡る目を見張るような旅 。ニューヨーク：ワイリー。ISBN 978-0-471-10806-1 OCLC 35558945 Duda RO、Hart PE、Stork DG (2001)。パターン 分類 （第2 版）。Wiley。ISBN 978-0-471-05669-0 OCLC 41347061 Egmont -Petersen M、 de Ridder D、Handels H (2002)。 「ニューラルネットワークによる画像 処理 ― レビュー」。パターン認識 。35 (10): 2279–2301。CiteSeerX 10.1.1.21.5444。doi : 10.1016/S0031-3203(01) 00178-9 。 Fahlman S、Lebiere C (1991)。「カスケード相関学習アーキテクチャ」(PDF) 。2013年5月3日にオリジナル(PDF)からアーカイブ済み 。2006年8月28日 に取得。 ガーニー K (1997).ニューラルネットワーク入門 . UCL Press. ISBN 978-1-85728-673-1 . OCLC 37875698 . Haykin SS (1999).ニューラルネットワーク：包括的な基礎 . Prentice Hall. ISBN 978-0-13-273350-2 . OCLC 38908586 . Hertz J 、 Palmer RG、Krogh AS (1991)。神経計算理論入門 。Addison-Wesley。ISBN 978-0-201-51560-2 . OCLC 21522159 . 情報理論、推論、学習アルゴリズム 。ケンブリッジ大学出版局。2003年9月25日。Bibcode : 2003itil.book ..... M。ISBN 978-0-521-64298-9 OCLC 52377690 クルーゼ R、ボルゲルト C、クラウォン F、モーヴェス C、スタインブレッチャー M、ヘルド P (2013)。計算知能: 方法論の紹介 。スプリンガー。ISBN 978-1-4471-5012-1 OCLC 837524179。 Lawrence J (1994).ニューラルネットワーク入門：設計、理論、応用 . California Scientific Software. ISBN 978-1-883157-00-5 . OCLC 32179420 . Masters T (1994).ニューラルネットワークによる信号および画像処理：C++ソースブック . J. Wiley. ISBN 978-0-471-04963-0 . OCLC 29877717 . Maurer H (2021).認知科学：現代コネクショニズムの認知神経アーキテクチャにおける統合的同期メカニズム . CRC Press. doi : 10.1201/9781351043526 . ISBN 978-1-351-04352-6 . S2CID 242963768 . リプリー BD (2007).パターン認識とニューラルネットワーク . ケンブリッジ大学出版局. ISBN 978-0-521-71770-0 。Siegelmann H、Sontag ED (1994) 「ニューラルネットワークによるアナログ計算」 . Theoretical Computer Science . 131 (2): 331–360 . doi : 10.1016/0304-3975(94)90178-3 . S2CID 2456483 . Smith M (1993).統計モデリングのためのニューラルネットワーク 。Van Nostrand Reinhold。ISBN 978-0-442-01310-3 OCLC 27145760 Wasserman PD (1993).高度なニューラルコンピューティング手法 . Van Nostrand Reinhold. ISBN 978-0-442-00461-3 . OCLC 27429729 . ウィルソン H (2018).人工知能 . グレイハウス出版. ISBN 978-1-68217-867-6 。
外部リンク ウィキメディア・コモンズには、人工ニューラルネットワーク に関連するメディアがあります。
ニューラルネットワーク入門（D. Kriesel著） – ニューラルネットワークに関する図解入りのバイリンガル原稿。これまでのトピック：パーセプトロン、バックプロパゲーション、放射基底関数、リカレントニューラルネットワーク、自己組織化マップ、ホップフィールドネットワーク。 材料科学におけるニューラルネットワークのレビュー（ 2015年6月7日、 Wayback Machine に アーカイブ済み） 3 か国語による人工ニューラル ネットワークのチュートリアル (マドリッド工科大学) ニューラルネットワークに関する別の紹介 次世代ニューラルネットワーク（ 2011年1月24日、 Wayback Machine に アーカイブ） – Google Tech Talks ニューラルネットワークの性能 ニューラルネットワークと情報（ 2009年7月9日、 Wayback Machine に アーカイブ） Sanderson G (2017年10月5日) 「ニューラルネットワークとは何ですか ？ 」3Blue1Brown – YouTube 経由。 Hakim MA、Alam MI (2025) 「恒常性調節と適応修復機構を備えた生物学的着想に基づくニューラルネットワーク層」 Scientific Reports 15 (1) Nature Publishing Group: 33903. Bibcode : 2025NatSR..1533903H . doi : 10.1038 / s41598-025-09114-8 . ISSN 2045-2322 . PMC 12484884. PMID 41028030 .
![{\displaystyle \textstyle C=E[(xf(x))^{2}]}](https://wikimedia.org/api/rest_v1/media/math/render/svg/2929ecb1606fdfeaddc55477d9671e11c034e21c)
