tam5917 https://blog.hatena.ne.jp/tam5917/ 備忘録 https://tam5917.hatenablog.com/ ホップフィールドネットワーク はじめに 以前の記事では、古典的なHopfieldモデルの記憶容量の限界を克服するため、記憶パタンを教師データと見なしてロジスティック回帰によりネットワークの重みを学習する手法を紹介した。その結果、従来のHebb則と比較して、想起性能（特にノイズ耐性）と記憶容量が改善されることを実験的に示した。 しかしながら学習アルゴリズムとしてのロジスティック回帰には、線形分離可能な範囲でしかパタンをうまく記憶できないという原理的な限界が残っていた。もし記憶パタン間の関係がより複雑かつ記憶パタン数が（非常に）多くなって線形分離が困難な場合、想起性能と記憶容量は頭打ちになると予想される。 そこで、非線形なデー… 190 <iframe src="https://hatenablog-parts.com/embed?url=https%3A%2F%2Ftam5917.hatenablog.com%2Fentry%2F2026%2F05%2F24%2F023343" title="ホップフィールドネットワークの記憶容量をさらに改善する試み：カーネルロジスティック回帰に基づく学習アルゴリズム - 備忘録" class="embed-card embed-blogcard" scrolling="no" frameborder="0" style="display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;"></iframe> https://cdn-ak.f.st-hatena.com/images/fotolife/t/tam5917/20250412/20250412204326.png Hatena Blog https://hatena.blog 2026-05-24 02:33:43 rich https://tam5917.hatenablog.com/entry/2026/05/24/023343 1.0 100%