ترجمه فارسی مقاله در مورد انتخاب وزن‌های داخلی غیرقابل آموزش در نقشه‌های ویژگی تصادفی

چکیده

The computationally cheap machine learning architecture of random feature maps can be viewed as a single-layer feedforward network in which the weights of the hidden layer are random but fixed and only the outer weights are learned via linear regression. The internal weights are typically chosen from a prescribed distribution. The choice of the internal weights significantly impacts the accuracy of random feature maps. We address here the task of how to best select the internal weights. In particular, we consider the forecasting problem whereby random feature maps are used to learn a one-step propagator map for a dynamical system. We provide a computationally cheap hit-and-run algorithm to select good internal weights which lead to good forecasting skill. We show that the number of good features is the main factor controlling the forecasting skill of random feature maps and acts as an effective feature dimension. Lastly, we compare random feature maps with single-layer feedforward neural networks in which the internal weights are now learned using gradient descent. We find that random feature maps have superior forecasting capabilities whilst having several orders of magnitude lower computational cost.

چکیده به فارسی (ترجمه ماشینی)

معماری یادگیری ماشین از نظر محاسباتی ارزان از نقشه های ویژگی تصادفی را می توان به عنوان یک شبکه تغذیه ای تک لایه ای مشاهده کرد که در آن وزن لایه پنهان تصادفی اما ثابت است و فقط وزن بیرونی از طریق رگرسیون خطی آموخته می شود.وزن داخلی به طور معمول از توزیع تجویز شده انتخاب می شود.انتخاب وزن داخلی به طور قابل توجهی بر صحت نقشه های ویژگی تصادفی تأثیر می گذارد.ما در اینجا وظیفه چگونگی انتخاب بهترین وزن های داخلی را می پردازیم.به طور خاص ، ما مشکل پیش بینی را در نظر می گیریم که به موجب آن از نقشه های ویژگی تصادفی برای یادگیری نقشه یک مرحله ای برای یک سیستم دینامیکی استفاده می شود.ما یک الگوریتم ضربه محاسباتی و ارزان قیمت را برای انتخاب وزن داخلی خوب ارائه می دهیم که منجر به مهارت پیش بینی خوب می شود.ما نشان می دهیم که تعداد ویژگی های خوب عامل اصلی کنترل مهارت پیش بینی نقشه های ویژگی تصادفی است و به عنوان یک بعد ویژگی مؤثر عمل می کند.سرانجام ، ما نقشه های ویژگی تصادفی را با شبکه های عصبی یک لایه تغذیه می کنیم که در آن وزن های داخلی اکنون با استفاده از نزول شیب آموخته می شوند.ما می دانیم که نقشه های ویژگی تصادفی دارای قابلیت های پیش بینی برتر در عین حال دارای چندین مرتبه از هزینه محاسباتی پایین تر هستند.