ترجمه فارسی مقاله یک استراتژی برگمن ارتقا یافته برای آموزش حذف کننده های گاوسی شبکه عصبی پروگزیمال آشکار شده

چکیده

Unfolded proximal neural networks (PNNs) form a family of methods that combines deep learning and proximal optimization approaches. They consist in designing a neural network for a specific task by unrolling a proximal algorithm for a fixed number of iterations, where linearities can be learned from prior training procedure. PNNs have shown to be more robust than traditional deep learning approaches while reaching at least as good performances, in particular in computational imaging. However, training PNNs still depends on the efficiency of available training algorithms. In this work, we propose a lifted training formulation based on Bregman distances for unfolded PNNs. Leveraging the deterministic mini-batch block-coordinate forward-backward method, we design a bespoke computational strategy beyond traditional back-propagation methods for solving the resulting learning problem efficiently. We assess the behaviour of the proposed training approach for PNNs through numerical simulations on image denoising, considering a denoising PNN whose structure is based on dual proximal-gradient iterations.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی پروگزیمال باز (PNN) خانواده ای از روش هایی را تشکیل می دهند که ترکیبی از یادگیری عمیق و رویکردهای بهینه سازی مجاورت است.آنها با استفاده از الگوریتم پروگزیمال برای تعداد مشخصی از تکرارها ، در طراحی یک شبکه عصبی برای یک کار خاص تشکیل شده اند ، جایی که می توان خطی را از روش آموزش قبلی آموخت.PNN ها نشان داده اند که در حالی که حداقل به عنوان عملکردهای خوب ، به ویژه در تصویربرداری محاسباتی ، از رویکردهای یادگیری عمیق سنتی قوی تر هستند.با این حال ، آموزش PNN ها هنوز به کارآیی الگوریتم های آموزش موجود بستگی دارد.در این کار ، ما یک فرمول آموزش بلند شده را بر اساس مسافت های Bregman برای PNN های آشکار پیشنهاد می کنیم.ما با استفاده از روش مینی دسته ی قطعی و کوتاه و مختصات به جلو ، ما یک استراتژی محاسباتی را فراتر از روشهای سنتی تولید پس از تهیه برای حل مسئله یادگیری حاصل می کنیم.ما رفتار رویکرد آموزش پیشنهادی برای PNN ها را از طریق شبیه سازی های عددی در مورد دفع تصویر ارزیابی می کنیم ، با توجه به یک PNN Denoising که ساختار آن مبتنی بر تکرارهای دو طرفه است.