Ciência-IUL
Publicações
Descrição Detalhada da Publicação
ESANN 2022 proceedings
Ano (publicação definitiva)
2022
Língua
Inglês
País
--
Mais Informação
Web of Science®
Esta publicação não está indexada na Web of Science®
Scopus
Esta publicação não está indexada na Scopus
Google Scholar
Abstract/Resumo
The binary encoding of real valued inputs is a crucial part of Weightless Neural Networks. The Linear Thermometer and its variations are the most prominent methods to determine binary encoding for input data but, as they make assumptions about the input distribution, the resulting encoding is sub-optimal and possibly wasteful when the assumption is incorrect. We propose a new thermometer approach that doesn’t require such assumptions. Our results show that it achieves similar or better accuracy when compared to a thermometer that correctly assumes
the distribution, and accuracy gains up to 26.3% when other thermometer representations assume an unsound distribution.
Agradecimentos/Acknowledgements
--
Palavras-chave
Classificação Fields of Science and Technology
- Ciências da Computação e da Informação - Ciências Naturais
Registos de financiamentos
Referência de financiamento | Entidade Financiadora |
---|---|
UIDB/04466/2020 | Fundação para a Ciência e a Tecnologia |
POCI-01-0247-FEDER-045912 | Project FLOYD |
UIDP/04466/2020 | Fundação para a Ciência e a Tecnologia |
Projetos Relacionados
Esta publicação é um output do(s) seguinte(s) projeto(s):