A Survey on Deep Learning and State-of-the-art Applications

要約

人工知能の一分野であるディープラーニングは、相互接続されたユニット (ニューロン) の複数の層を使用して、複雑なパターンと表現を生の入力データから直接学習する計算モデルです。
この学習機能によって強化されたこのツールは、複雑な問題を解決するための強力なツールとなり、多くの画期的なテクノロジーやイノベーションの中核的な推進力となっています。
深層学習モデルの構築は、アルゴリズムの複雑さと現実世界の問題の動的な性質により、困難な作業です。
いくつかの研究で深層学習の概念と応用が検討されています。
ただし、研究は主に深層学習モデルと畳み込みニューラル ネットワーク アーキテクチャの種類に焦点を当てており、さまざまなドメインにわたる複雑な問題を解決するための最先端の深層学習モデルとそのア​​プリケーションについては限定的にカバーしています。
したがって、この限界を動機として、この研究は、コンピュータービジョン、自然言語処理、時系列分析、パーベイシブコンピューティングにおける最先端の深層学習モデルを包括的にレビューすることを目的としています。
モデルの主要な機能と、各ドメイン内の問題を解決する際のその有効性を強調します。
さらに、この研究では、深層学習の基礎、さまざまな深層学習モデルの種類、および著名な畳み込みニューラル ネットワーク アーキテクチャについても紹介します。
最後に、将来の研究者に幅広い視点を提供するために、ディープラーニング研究における課題と将来の方向性について説明します。

要約(オリジナル)

Deep learning, a branch of artificial intelligence, is a computational model that uses multiple layers of interconnected units (neurons) to learn intricate patterns and representations directly from raw input data. Empowered by this learning capability, it has become a powerful tool for solving complex problems and is the core driver of many groundbreaking technologies and innovations. Building a deep learning model is a challenging task due to the algorithm`s complexity and the dynamic nature of real-world problems. Several studies have reviewed deep learning concepts and applications. However, the studies mostly focused on the types of deep learning models and convolutional neural network architectures, offering limited coverage of the state-of-the-art of deep learning models and their applications in solving complex problems across different domains. Therefore, motivated by the limitations, this study aims to comprehensively review the state-of-the-art deep learning models in computer vision, natural language processing, time series analysis and pervasive computing. We highlight the key features of the models and their effectiveness in solving the problems within each domain. Furthermore, this study presents the fundamentals of deep learning, various deep learning model types and prominent convolutional neural network architectures. Finally, challenges and future directions in deep learning research are discussed to offer a broader perspective for future researchers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google