Indeterminate Probability Neural Network (Indeterminate Probability Neural Network)

We propose a new general model called IPNN - Indeterminate Probability Neural Network, which combines neural network and probability theory together. In the classical probability theory, the calculation of probability is based on the occurrence of events, which is hardly used in current neural networks. In this paper, we propose a new general probability theory, which is an extension of classical probability theory, and makes classical probability theory a special case to our theory. Besides, for our proposed neural network framework, the output of neural network is defined as probability events, and based on the statistical analysis of these events, the inference model for classification task is deduced. IPNN shows new property: It can perform unsupervised clustering while doing classification. Besides, IPNN is capable of making very large classification with very small neural network, e.g. model with 100 output nodes can classify 10 billion categories. Theoretical advantages are reflected in experimental results.

翻译：我们提出了一种新的通用模型——不确定概率神经网络 (Indeterminate Probability Neural Network, IPNN)，将神经网络和概率论相结合。在经典概率论中，概率的计算是基于事件的发生，这在当前的神经网络中很少使用。在本文中，我们提出了一种新的通用概率理论，它是经典概率论的扩展，使得经典概率论成为我们理论的一个特例。此外，对于我们提出的神经网络框架，神经网络输出被定义为概率事件，并基于这些事件的统计分析，推导出分类任务的推理模型。IPNN表现出新的特性：在执行分类时，它可以执行无监督聚类。此外，IPNN能够使用非常小的神经网络进行非常大的分类，例如具有100个输出节点的模型可以对10亿个类别进行分类。理论优势在实验结果中得到体现。

相关内容

Neural Networks

关注 1637

神经网络（Neural Networks）是世界上三个最古老的神经建模学会的档案期刊:国际神经网络学会(INNS)、欧洲神经网络学会(ENNS)和日本神经网络学会(JNNS)。神经网络提供了一个论坛，以发展和培育一个国际社会的学者和实践者感兴趣的所有方面的神经网络和相关方法的计算智能。神经网络欢迎高质量论文的提交，有助于全面的神经网络研究，从行为和大脑建模，学习算法，通过数学和计算分析，系统的工程和技术应用，大量使用神经网络的概念和技术。这一独特而广泛的范围促进了生物和技术研究之间的思想交流，并有助于促进对生物启发的计算智能感兴趣的跨学科社区的发展。因此，神经网络编委会代表的专家领域包括心理学，神经生物学，计算机科学，工程，数学，物理。该杂志发表文章、信件和评论以及给编辑的信件、社论、时事、软件调查和专利信息。文章发表在五个部分之一:认知科学，神经科学，学习系统，数学和计算分析、工程和应用。官网地址：http://dblp.uni-trier.de/db/journals/nn/