第１章はじめに
- １．１研究の歴史
- １．２本書の構成
第２章ネットワークの基本構造
- ２．１ユニットと活性化関数
- ２．２順伝播型ネットワーク
- ２．３学習の概要
- ２．４問題の定式化：出力層と損失関数の設計
第３章確率的勾配降下法
- ３．１確率的勾配降下法（ＳＧＤ）
- ３．２汎化性能と過剰適合
- ３．３正則化
- ３．４学習率の選定と制御
- ３．５ＳＧＤの改良
- ３．６層出力の正規化
- ３．７重みの初期化
- ３．８その他
第４章誤差逆伝播法
- ４．１勾配計算の煩わしさ
- ４．２誤差逆伝播法
- ４．３自動微分
- ４．４勾配消失問題
- ４．５残差接続
第５章畳み込みニューラルネットワーク
- ５．１単純型細胞と複雑型細胞
- ５．２畳み込み
- ５．３畳み込み層
- ５．４プーリング層
- ５．５畳み込み層の出力の正規化
- ５．６推論のためのＣＮＮの構造
- ５．７入出力間の幾何学的関係
- ５．８畳み込み層の一般化
- ５．９アップサンプリングと畳み込み
- ５．１０物体カテゴリ認識への適用例
第６章系列データのためのネットワーク
- ６．１系列データ
- ６．２リカレントニューラルネットワーク
- ６．３ゲート機構
- ６．４自己回帰モデル
- ６．５１次元畳み込みネットワーク
- ６．６逆伝播の計算
第７章集合・グラフのためのネットワークと注意機構
- ７．１集合データを扱うネットワーク
- ７．２注意機構
- ７．３トランスフォーマー
- ７．４グラフニューラルネットワーク
第８章推論の信頼性
- ８．１推論の不確かさ
- ８．２不確かさの数理モデル
- ８．３不確かさの予測
- ８．４分布外入力の検出
- ８．５敵対的事例
- ８．６品質保証の試み
第９章説明と可視化
- ９．１はじめに
- ９．２入力による出力の微分
- ９．３入力の遮蔽・挿入
- ９．４中間層出力の表示
- ９．５寄与度の分解
- ９．６寄与度の逆伝播
- ９．７可視化手法の評価
- ９．８影響関数
- ９．９学習内容の可視化
第１０章いろいろな学習方法
- １０．１距離計量学習
- １０．２事例集合（マルチインスタンス）学習
- １０．３クラスラベルの誤り
- １０．４クラス間不均衡
- １０．５継続・追加学習
- １０．６知識蒸留
- １０．７枝刈り
- １０．８計算の量子化
- １０．９ネットワーク構造探索（ＮＡＳ）
第１１章データが少ない場合の学習
- １１．１はじめに
- １１．２データ拡張
- １１．３転移学習
- １１．４半教師あり学習
- １１．５自己教師学習
- １１．６マルチタスク学習
- １１．７ドメイン適応・汎化
- １１．８少数事例学習
- １１．９能動学習
第１２章生成モデル
- １２．１データの生成モデル
- １２．２自己符号化器
- １２．３変分自己符号化器（ＶＡＥ）
- １２．４敵対的生成ネットワーク（ＧＡＮ）
- １２．５正規化フロー
- １２．６ボルツマンマシン