ترجمه فارسی مقاله شبکه های تابعی عصبی معادل گروه ماتریس تک نامی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Monomial Matrix Group Equivariant Neural Functional Networks
عنوان مقاله به فارسی شبکه های تابعی عصبی معادل گروه ماتریس تک نامی
نویسندگان Hoang V. Tran, Thieu N. Vo, Tho H. Tran, An T. Nguyen, Tan Minh Nguyen
فرمت مقاله انگلیسی PDF
تعداد صفحات 28
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 18 September, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

چکیده

Neural functional networks (NFNs) have recently gained significant attention due to their diverse applications, ranging from predicting network generalization and network editing to classifying implicit neural representation. Previous NFN designs often depend on permutation symmetries in neural networks' weights, which traditionally arise from the unordered arrangement of neurons in hidden layers. However, these designs do not take into account the weight scaling symmetries of $\operatorname{ReLU}$ networks, and the weight sign flipping symmetries of $\operatorname{sin}$ or $\operatorname{tanh}$ networks. In this paper, we extend the study of the group action on the network weights from the group of permutation matrices to the group of monomial matrices by incorporating scaling/sign-flipping symmetries. Particularly, we encode these scaling/sign-flipping symmetries by designing our corresponding equivariant and invariant layers. We name our new family of NFNs the Monomial Matrix Group Equivariant Neural Functional Networks (Monomial-NFN). Because of the expansion of the symmetries, Monomial-NFN has much fewer independent trainable parameters compared to the baseline NFNs in the literature, thus enhancing the model's efficiency. Moreover, for fully connected and convolutional neural networks, we theoretically prove that all groups that leave these networks invariant while acting on their weight spaces are some subgroups of the monomial matrix group. We provide empirical evidences to demonstrate the advantages of our model over existing baselines, achieving competitive performance and efficiency.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عملکردی عصبی (NFN) اخیراً به دلیل کاربردهای متنوع ، مورد توجه قابل توجهی قرار گرفته اند ، از پیش بینی تعمیم شبکه و ویرایش شبکه تا طبقه بندی نمایندگی عصبی ضمنی.طرح های قبلی NFN اغلب به تقارن جابجایی در وزن شبکه های عصبی بستگی دارد ، که به طور سنتی ناشی از ترتیب نامحدود نورونها در لایه های پنهان است.با این حال ، این طرح ها تقارن مقیاس وزن \ $ operatorname {relu} $ شبکه ها را در نظر نمی گیرند ، و علامت وزنه برداری تقارن $ \ operatorname {sin} $ یا $ \ operatorname {tanh} $ شبکه.در این مقاله ، ما مطالعه عمل گروهی را بر روی وزن شبکه از گروه ماتریس های جابجایی به گروه ماتریس های یکپارچه با ترکیب تقارن مقیاس/علامت گذاری گسترش می دهیم.به ویژه ، ما این تقارن مقیاس/علامت گذاری را با طراحی لایه های متناسب و متغیر مربوطه رمزگذاری می کنیم.ما خانواده جدید NFNS خود را به عنوان شبکه های عملکردی عصبی Equivariant (Monomial-NFN) از NFN ها نامگذاری می کنیم.به دلیل گسترش تقارن ، یکپارچه NFN در مقایسه با NFN های پایه در ادبیات ، پارامترهای قابل آموزش مستقل بسیار کمتری دارد ، بنابراین باعث افزایش کارایی مدل می شود.علاوه بر این ، برای شبکه های عصبی کاملاً متصل و حلقوی ، ما از لحاظ تئوری ثابت می کنیم که تمام گروه هایی که این شبکه ها را در حالی که روی فضاهای وزن خود عمل می کنند ، متغیر می کنند ، برخی از زیر گروه های گروه ماتریس یکپارچه هستند.ما شواهد تجربی برای نشان دادن مزایای مدل خود نسبت به خطوط موجود ، دستیابی به عملکرد و کارآیی رقابتی ارائه می دهیم.

📚 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.