日前，NEC宣佈研發出提高辨識精準度更為簡易的「深度學習自動優化技術」。

針對各層類神經網路自動設定正規化的示意圖/ 因應學習資料量變化的辨識錯誤率走勢圖

以往進行深度學習（Deep Learning）時，依據類神經網路的構造（註1）來調整學習方式相當困難，所以無法在整個網路學習時達到最優化， 因而無法充分發揮原本的辨識效能。本次NEC研發的技術，搭配類神經網路學習的進度，因應其構造自動進行優化，能夠輕易達到比過去更高的辨識精準度。

運用本技術，在影像辨識及聲音辨識等運用深度學習技術的各個領域，能夠進一步提升辨識的精準度。例如，提升人臉辨識與行為解析等影像監控的辨識精準度，在基礎設施等處進行保養點檢時提升效率，更可望自動檢測出故障、事故或災害等情況。

近年來，深度學習已有飛躍性的進展。以影像辨識、聲音辨識為始，廣泛運用在不同領域上。所謂的深度學習，是運用具備多層構造的類神經網路，讓電腦學習事先準備好的資料，進而提升辨識精準度。然而，若電腦過度學習資料，則會出現「過度訓練（註2）」的現象，也就是只有學習過的資料才有較高的辨識精準度，辨識從未學習過的資料時精準度就會下降。為了避免這種情況的發生，通常會使用「正規化（註3）」方式，來調整深度學習的過程。

類神經網路的學習過程，會因應結構而產生複雜的變化，所以過去只能對整個類神經網路進行同樣的正規化方式。結果在類神經網路各層之中，有些出現過度訓練現象、有些則無法順利學習等問題，因而難以充分發揮原有的辨識效能。此外，由於逐一手動調整各層學習進度極為困難，市面上對自動化調整的需求呼聲也相當高。

NEC本次研發的技術，是依據類神經網路的結構，預測每一層的學習進度，並因應各層學習進度逐層自動設定正規化。透過這樣的技術，能夠優化整個類神經網路的學習情況，與傳統作法相比，更能降低20%的辨識錯誤率，辨識精準度有所改善。

新技術的優點

1. 依據類神經網路的結構，自動優化學習情況

依據類神經網路的結構，預測每一層的學習進度，並因應各層學習進度逐層自動設定正規化。透過這樣的技術，能夠優化整個類神經網路的學習情況，也解決了過去各層過度訓練、無法順利學習的問題。不僅如此，運用本技術進行辨識實驗，在辨識手寫數字的影像資料時，降低了約20%的辨識錯誤率，辨識精準度有所改善。

2.計算量與過往相同，也能輕鬆達到高精準度

在類神經網路進行深度學習之前，只須運行本技術一次，即使學習的計算量與過往相同，也能輕鬆達到高精準度。

NEC集團致力於全球推廣「社會解決方案事業」，以提供安全．安心．效率．公平的社會價值，融合先進的ICT技術與知識，實現更為明亮而豐裕、更具效率而精粹的社會。

（註1） 類神經網路（Neural Network）：由人造神經細胞（神經元Neuron）組成的神經網路。

（註2） 過度訓練（Overfitting）：對資料進行過度訓練，因而在辨識從未學習過的資料時精準度下降的現象。

（註3） 正規化（Regularization）：降低模型的複雜性，進而避免過度訓練的方法。