MAPress
مقاله تجزیه و تحلیل خطای L_2 مورد انتظار تخمین شبکه عصبی عمیق بیش از حد پارامتر که توسط گرادیان نزولی و بدون نرمال سازی آموخته شده است

مقاله تجزیه و تحلیل خطای L_2 مورد انتظار تخمین شبکه عصبی عمیق بیش از حد پارامتر که توسط گرادیان نزولی و بدون نرمال سازی آموخته شده است

تگ‌ها: Machine Learning یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Analysis of the expected L_2 error of an over-parametrized deep neural network estimate learned by gradient descent without regularization
عنوان مقاله به فارسی مقاله تجزیه و تحلیل خطای L_2 مورد انتظار تخمین شبکه عصبی عمیق بیش از حد پارامتر که توسط گرادیان نزولی و بدون نرمال سازی آموخته شده است
نویسندگان Selina Drews, Michael Kohler
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 50
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 24 November, 2023; originally announced November 2023. , MSC Class: 62G08
توضیحات به فارسی ارسال شده 24 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد ، کلاس MSC: 62G08

چکیده

Recent results show that estimates defined by over-parametrized deep neural networks learned by applying gradient descent to a regularized empirical $L_2$ risk are universally consistent and achieve good rates of convergence. In this paper, we show that the regularization term is not necessary to obtain similar results. In the case of a suitably chosen initialization of the network, a suitable number of gradient descent steps, and a suitable step size we show that an estimate without a regularization term is universally consistent for bounded predictor variables. Additionally, we show that if the regression function is Hölder smooth with Hölder exponent $1/2 \leq p \leq 1$, the $L_2$ error converges to zero with a convergence rate of approximately $n^{-1/(1+d)}$. Furthermore, in case of an interaction model, where the regression function consists of a sum of Hölder smooth functions with $d^*$ components, a rate of convergence is derived which does not depend on the input dimension $d$.

چکیده به فارسی (ترجمه ماشینی)

نتایج اخیر نشان می دهد که برآوردهای تعریف شده توسط شبکه های عصبی عمیق بیش از حد پارامتر که با استفاده از نزول شیب به یک ریسک تجربی منظم $ L_2 $ آموخته شده اند ، جهانی هستند و به نرخ خوبی از همگرایی می رسند.در این مقاله ، ما نشان می دهیم که اصطلاح منظم برای به دست آوردن نتایج مشابه لازم نیست.در مورد اولیه سازی مناسب از شبکه ، تعداد مناسبی از مراحل نزولی شیب و اندازه گام مناسب ما نشان می دهیم که یک برآورد بدون یک اصطلاح منظم برای متغیرهای پیش بینی کننده محدود سازگار است.علاوه بر این ، ما نشان می دهیم که اگر عملکرد رگرسیون با Hölder Smooth با Hölder Exponent 1/2 Leq P Leq 1 $ صاف باشد ، خطای $ L_2 $ با نرخ همگرایی تقریبا $ n^{-1/(1+ به صفر می رسد.د)} $.علاوه بر این ، در صورت وجود یک مدل تعامل ، که در آن عملکرد رگرسیون شامل مجموعه ای از توابع صاف Hölder با اجزای $ D^*$ است ، نرخ همگرایی حاصل می شود که به بعد ورودی $ D $ بستگی ندارد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.