A Comprehensive Overview and Comparative Analysis on Deep Learning Models: CNN, RNN, LSTM, GRU

要約

ディープラーニング (DL) は、機械学習 (ML) と人工知能 (AI) の強力なサブセットとして登場し、特に非構造化された大規模なデータセットの処理において、従来の ML 手法を上回ります。
その影響は、音声認識、ヘルスケア、自動運転車、サイバーセキュリティ、予測分析などを含むさまざまな領域に及びます。
ただし、現実世界の問題の複雑さと動的な性質により、効果的な深層学習モデルを設計する際に課題が生じます。
その結果、さまざまな問題やアプリケーションに対処するために、いくつかの深層学習モデルが開発されました。
この記事では、畳み込みニューラル ネットワーク (CNN)、リカレント ニューラル ネットワーク (RNN)、生成モデル、深層強化学習 (DRL)、深層転移学習など、さまざまな深層学習モデルの包括的な調査を実施します。
各モデルの構造、用途、利点、制限事項を検討します。
さらに、IMDB、ARAS、Fruit-360 という 3 つの公的に利用可能なデータセットを使用して分析を実行します。
CNN、Simple RNN、Long Short-Term Memory (LSTM)、双方向 LSTM、Gated Recurrent Unit (GRU)、および双方向 GRU の 6 つの有名な深層学習モデルのパフォーマンスを比較します。

要約(オリジナル)

Deep learning (DL) has emerged as a powerful subset of machine learning (ML) and artificial intelligence (AI), outperforming traditional ML methods, especially in handling unstructured and large datasets. Its impact spans across various domains, including speech recognition, healthcare, autonomous vehicles, cybersecurity, predictive analytics, and more. However, the complexity and dynamic nature of real-world problems present challenges in designing effective deep learning models. Consequently, several deep learning models have been developed to address different problems and applications. In this article, we conduct a comprehensive survey of various deep learning models, including Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Generative Models, Deep Reinforcement Learning (DRL), and Deep Transfer Learning. We examine the structure, applications, benefits, and limitations of each model. Furthermore, we perform an analysis using three publicly available datasets: IMDB, ARAS, and Fruit-360. We compare the performance of six renowned deep learning models: CNN, Simple RNN, Long Short-Term Memory (LSTM), Bidirectional LSTM, Gated Recurrent Unit (GRU), and Bidirectional GRU.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google