日前，NEC宣布研发出提高辨识精准度更为简易的「深度学习自动优化技术」。

针对各层类神经网路自动设定正规化的示意图/ 因应学习资料量变化的辨识错误率走势图

以往进行深度学习（Deep Learning）时，依据类神经网路的构造（注1）来调整学习方式相当困难，所以无法在整个网路学习时达到最优化， 因而无法充分发挥原本的辨识效能。本次NEC研发的技术，搭配类神经网路学习的进度，因应其构造自动进行优化，能够轻易达到比过去更高的辨识精准度。

运用本技术，在影像辨识及声音辨识等运用深度学习技术的各个领域，能够进一步提升辨识的精准度。例如，提升人脸辨识与行为解析等影像监控的辨识精准度，在基础设施等处进行保养点检时提升效率，更可??自动检测出故障、事故或灾害等情况。

近年来，深度学习已有飞跃性的进展。以影像辨识、声音辨识为始，广泛运用在不同领域上。所谓的深度学习，是运用具备多层构造的类神经网路，让电脑学习事先准备好的资料，进而提升辨识精准度。然而，若电脑过度学习资料，则会出现「过度训练（注2）」的现象，也就是只有学习过的资料才有较高的辨识精准度，辨识从未学习过的资料时精准度就会下降。为了避免这种情况的发生，通常会使用「正规化（注3）」方式，来调整深度学习的过程。

类神经网路的学习过程，会因应结构而产生复杂的变化，所以过去只能对整个类神经网路进行同样的正规化方式。结果在类神经网路各层之中，有些出现过度训练现象、有些则无法顺利学习等问题，因而难以充分发挥原有的辨识效能。此外，由於逐一手动调整各层学习进度极为困难，市面上对自动化调整的需求呼声也相当高。

NEC本次研发的技术，是依据类神经网路的结构，预测每一层的学习进度，并因应各层学习进度逐层自动设定正规化。透过这样的技术，能够优化整个类神经网路的学习情况，与传统作法相比，更能降低20%的辨识错误率，辨识精准度有所改善。

新技术的优点

1. 依据类神经网路的结构，自动优化学习情况

依据类神经网路的结构，预测每一层的学习进度，并因应各层学习进度逐层自动设定正规化。透过这样的技术，能够优化整个类神经网路的学习情况，也解决了过去各层过度训练、无法顺利学习的问题。不仅如此，运用本技术进行辨识实验，在辨识手写数字的影像资料时，降低了约20%的辨识错误率，辨识精准度有所改善。

2.计算量与过往相同，也能轻松达到高精准度

在类神经网路进行深度学习之前，只须运行本技术一次，即使学习的计算量与过往相同，也能轻松达到高精准度。

NEC集团致力於全球推广「社会解决方案事业」，以提供安全．安心．效率．公平的社会价值，融合先进的ICT技术与知识，实现更为明亮而丰裕、更具效率而精粹的社会。

（注1） 类神经网路（Neural Network）：由人造神经细胞（神经元Neuron）组成的神经网路。

（注2） 过度训练（Overfitting）：对资料进行过度训练，因而在辨识从未学习过的资料时精准度下降的现象。

（注3） 正规化（Regularization）：降低模型的复杂性，进而避免过度训练的方法。