ترجمه فارسی مقاله جریان گرادیان در فضای پارامتر معادل درون‌یابی خطی در فضای خروجی است.

چکیده

We prove that the usual gradient flow in parameter space that underlies many training algorithms for neural networks in deep learning can be continuously deformed into an adapted gradient flow which yields (constrained) Euclidean gradient flow in output space. Moreover, if the Jacobian of the outputs with respect to the parameters is full rank (for fixed training data), then the time variable can be reparametrized so that the resulting flow is simply linear interpolation, and a global minimum can be achieved.

چکیده به فارسی (ترجمه ماشینی)

ما ثابت می کنیم که جریان شیب معمول در فضای پارامتر که زیربنای بسیاری از الگوریتم های آموزشی برای شبکه های عصبی در یادگیری عمیق است ، می تواند به طور مداوم در یک جریان شیب سازگار تغییر شکل داده شود که جریان (محدود) جریان درجه بندی اقلیدسی را در فضای خروجی بازده می کند.علاوه بر این ، اگر ژاکوبیان خروجی ها با توجه به پارامترها رتبه کامل (برای داده های آموزش ثابت) باشد ، می توان متغیر زمان را دوباره جابجا کرد تا جریان حاصل به سادگی درون یابی خطی باشد و حداقل جهانی حاصل شود.