Submitted 18 September, 2024; originally announced September 2024. , Comments: Published at NeurIPS 2023 , Journal ref: Advances in Neural Information Processing Systems, 36 (2024)
توضیحات به فارسی
ارائه شده در 18 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: منتشر شده در Neurips 2023 ، مجله Ref: Advances در سیستم های پردازش اطلاعات عصبی ، 36 (2024)
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
چکیده
Existing subset selection methods for efficient learning predominantly employ discrete combinatorial and model-specific approaches which lack generalizability. For an unseen architecture, one cannot use the subset chosen for a different model. To tackle this problem, we propose $\texttt{SubSelNet}$, a trainable subset selection framework, that generalizes across architectures. Here, we first introduce an attention-based neural gadget that leverages the graph structure of architectures and acts as a surrogate to trained deep neural networks for quick model prediction. Then, we use these predictions to build subset samplers. This naturally provides us two variants of $\texttt{SubSelNet}$. The first variant is transductive (called as Transductive-$\texttt{SubSelNet}$) which computes the subset separately for each model by solving a small optimization problem. Such an optimization is still super fast, thanks to the replacement of explicit model training by the model approximator. The second variant is inductive (called as Inductive-$\texttt{SubSelNet}$) which computes the subset using a trained subset selector, without any optimization. Our experiments show that our model outperforms several methods across several real datasets
چکیده به فارسی (ترجمه ماشینی)
روشهای انتخاب زیر مجموعه موجود برای یادگیری کارآمد عمدتاً از رویکردهای ترکیبی گسسته و مدل خاص استفاده می کند که فاقد تعمیم پذیری هستند.برای یک معماری غیب ، نمی توان از زیر مجموعه ای که برای یک مدل متفاوت انتخاب شده است استفاده کنید.برای مقابله با این مشکل ، ما $ \ texttt {subselnet} $ ، یک چارچوب انتخاب زیر مجموعه قابل آموزش ، که در تمام معماری ها تعمیم می یابد ، پیشنهاد می کنیم.در اینجا ، ما ابتدا یک ابزار عصبی مبتنی بر توجه را معرفی می کنیم که از ساختار نمودار معماری ها استفاده می کند و به عنوان جانشین شبکه های عصبی عمیق آموزش دیده برای پیش بینی مدل سریع عمل می کند.سپس ، ما از این پیش بینی ها برای ساخت نمونه های زیر مجموعه استفاده می کنیم.این به طور طبیعی دو نوع $ \ texttt {subselnet} $ را برای ما فراهم می کند.نوع اول فراملی است (به عنوان transductive-$ \ texttt {subselnet} $) نامیده می شود که با حل یک مشکل بهینه سازی کوچک ، زیر مجموعه را به طور جداگانه برای هر مدل محاسبه می کند.چنین بهینه سازی به لطف جایگزینی آموزش مدل صریح توسط تقریب مدل ، هنوز هم بسیار سریع است.نوع دوم القایی است (به عنوان القایی خوانده می شود-$ \ texttt {subselnet} $) که زیر مجموعه را با استفاده از یک انتخاب کننده زیر مجموعه آموزش دیده ، بدون هیچ گونه بهینه سازی محاسبه می کند.آزمایشات ما نشان می دهد که مدل ما از چندین روش در چندین مجموعه داده واقعی بهتر عمل می کند
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
