<div dir="ltr"><div class="gmail_default" style="font-family:arial,sans-serif;font-size:small"><div style="font-family:verdana,sans-serif">Prezados(as)</div><div style="font-family:verdana,sans-serif">Gostaria de convidá-los(as) a assistir mais um seminário em Análise de Dados em Alta Dimensão. Ocorrerá às 13hs, 25/11/2020. Os links para este seminário e a gravação do anterior (google meet e youtube) estão abaixo. Desta vez teremos como palestrante, Prof. Carlos Zanini, DME-UFRJ.</div><div style="font-family:verdana,sans-serif">abs.</div><div style="font-family:verdana,sans-serif"><br></div><div style="font-family:verdana,sans-serif"><font color="#0000ff"><b><i>Webinar:</i></b></font> 25/11/2020</div><div style="font-family:verdana,sans-serif"><a href="https://meet.google.com/bzx-pbva-imx">https://meet.google.com/bzx-pbva-imx</a><br></div></div><div><div><br></div><div>Title: Radial Neural Networks<br></div><div><div class="gmail_default" style="font-family:arial,sans-serif;font-size:small">Prof. Carlos Zanini, DME-UFRJ.</div><br></div><div>Abstract: This work proposes a very simple extension of the usual fully connected hidden<br>layers in deep neural networks for classification. The objective is to transform the<br>latent space on the hidden layers to be more suitable for the linear separation that<br>occurs in the sigmoid/softmax output layer. We call such architectures radial neural<br>networks because they use projections of fully connected hidden layers onto the surface<br>of a hypersphere. We provide a geometrical motivation for the proposed method and<br>show that it helps achieve convergence faster than the analogous architectures<br>that they are built upon. As a result, we can significantly reduce training time on<br>neural networks for classification that use fully connected hidden layers. The method<br></div><div>is illustrated as an application to image classification, although it can be used for other</div><div>classification tasks.<br clear="all"><div><br></div><div><div class="gmail_default" style="font-family:arial,sans-serif;font-size:small"><font color="#ff0000"><b><i>Webinar: </i></b></font>18/11/2020</div><div class="gmail_default" style="font-family:arial,sans-serif;font-size:small"><a href="https://youtu.be/uYdAaRi2DRc">https://youtu.be/uYdAaRi2DRc</a></div><br></div>-- <br><div dir="ltr" class="gmail_signature" data-smartmail="gmail_signature"><div dir="ltr"><div><div dir="ltr"><div><div>Ronaldo Dias, Ph.D.</div>Professor<div>Dept. of Statistics-IMECC, UNICAMP</div><div><a href="http://www.ime.unicamp.br/~dias" target="_blank">www.ime.unicamp.br/~dias</a></div><div><br></div></div></div></div></div></div><br><br></div></div></div>