因應深度學習的「過度訓練」現象，以及提升辨識精確度，NEC研發了能夠優化整個類神經網路學習情況的技術，與傳統作法相比，不僅減少了無法順利學習的情況，更大幅提升了辨識精準度。
近年來，深度學習已有飛躍性的進展。以影像辨識、聲音辨識為始，廣泛運用在不同領域上。所謂的深度學習，是運用具備多層構造的類神經網路，讓電腦學習事先準備好的資料，進而提升辨識精準度。然而，若電腦過度學習資料，則會出現「過度訓練」的現象，也就是只有學習過的資料才有較高的辨識精準度，辨識從未學習過的資料時精準度就會下降，難以充分發揮原有的辨識效能。
為了避免這種情況的發生，通常會使用「正規化」方式，來調整深度學習的過程。然而類神經網路的學習過程，會因應結構而產生複雜的變化，所以只能對整個類神經網路進行同樣的正規化方式，由於逐一手動調整各層學習進度極為困難，市面上對自動化調整的需求呼聲也相當高。
NEC研發的技術，係依據類神經網路的結構，預測每一層的學習進度，並因應各層學習進度逐層自動設定正規化，也解決了過去各層過度訓練、無法順利學習的問題，透過這樣的技術，能夠優化整個類神經網路的學習情況。
不僅如此，在辨識手寫數字的影像資料時亦降低了約20%的辨識錯誤率。在類神經網路進行深度學習之前，只須運行本技術一次，即使學習的計算量與過往相同，也能輕鬆達到高精準度。
相信此技術能在影像辨識及聲音辨識等運用深度學習技術的各個領域，進一步為其提升辨識精準度。如提升人臉辨識與行為解析等影像監控的辨識精準度，在基礎設施等處進行保養點檢時提升效率，更可望提前檢測出故障、事故或災害等情況。
資料提供：NEC