深層学習による畳み込みニューラルネットワークの揚げ物料理への応用 注：原文「Deep Fried Convnets」は、技術的な内容と料理の言葉遊びを組み合わせた表現です。SCI/SSCIジャーナルのスタイルに合わせて、より適切な技術的な表現に変更しました。ただし、言葉遊びを残したい場合は、「ディープフライド畳み込みニューラルネットワーク」などの直訳も可能です。

深層畳み込みニューラルネットワークの全結合層は通常、ネットワークパラメータの90%以上を占めており、ネットワークパラメータを保存するために必要なメモリの大半を消費しています。予測性能をほぼ同じままに保ちつつパラメータ数を削減することは、GPUや組み込みデバイスなどのメモリ制約のある環境で深層ニューラルネットワークを動作させる上で極めて重要です。本論文では、カーネル手法、特に単一のFastfood層を使用して、深層畳み込みニューラルネットワーク内のすべての全結合層を置き換える方法を示します。この革新的なFastfood層は、畳み込み層と組み合わせてエンドツーエンドで学習可能であり、両者を新しいアーキテクチャである「Deep Fried Convolutional Networks（深揚げ畳み込みネットワーク）」に統合することができます。MNISTおよびImageNetで訓練された畳み込みネットワークにおいて、予測性能の低下なく大幅にメモリ使用量を削減することが確認されました。