要約
私たちは、非常に高速な学習と低実装複雑さを可能にするニューラルネットワークのアーキテクチャと学習方法を提案します。この方法は、その学習速度と調整可能なパラメータが非常に少ないため、頻繁な再学習やオンライン学習が必要なアプリケーションに大きな潜在能力を持っています。本手法の特徴は以下の通りです。(a) 生物学的にインスパイアされた視覚処理フィルタに基づく畳み込みフィルタ、(b) 分類器段階での入力重みをランダム値とする、(c) 最小二乗回帰を使用して分類器出力重みを単一バッチで学習する、(d) 線形分類器出力ユニットを使用する。本方法の有効性を示すために、画像分類に適用しました。私たちの結果は、MNIST（0.37% エラー）および NORB-small（2.2% エラー）画像分類データベースにおいて既存の最先端結果と同等ですが、標準的な深層ネットワークアプローチと比較して非常に速い学習時間を達成しています。また、Google Street View House Number (SVHN) （4% エラー）データベースにおけるネットワークの性能も最先端手法と競争力があります。