اکسپرس 24
ترجمه فارسی مقاله ظرفیت حافظه برای تنظیم دقیق افزایشی با شبکه‌های ReLU کوچک

ترجمه فارسی مقاله ظرفیت حافظه برای تنظیم دقیق افزایشی با شبکه‌های ReLU کوچک

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Memorization Capacity for Additive Fine-Tuning with Small ReLU Networks
عنوان مقاله به فارسی ظرفیت حافظه برای تنظیم دقیق افزایشی با شبکه‌های ReLU کوچک
نویسندگان Jy-yong Sohn, Dohyun Kwon, Seoyeon An, Kangwook Lee
فرمت مقاله انگلیسی PDF
تعداد صفحات 15
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 19 August, 2024; v1 submitted 1 August, 2024; originally announced August 2024. , Comments: 10 pages, 9 figures, UAI 2024
توضیحات به فارسی ارسال شده در 19 اوت 2024 ؛V1 ارسال شده در 1 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 10 صفحه ، 9 شکل ، UAI 2024

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 600,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

Fine-tuning large pre-trained models is a common practice in machine learning applications, yet its mathematical analysis remains largely unexplored. In this paper, we study fine-tuning through the lens of memorization capacity. Our new measure, the Fine-Tuning Capacity (FTC), is defined as the maximum number of samples a neural network can fine-tune, or equivalently, as the minimum number of neurons ($m$) needed to arbitrarily change $N$ labels among $K$ samples considered in the fine-tuning process. In essence, FTC extends the memorization capacity concept to the fine-tuning scenario. We analyze FTC for the additive fine-tuning scenario where the fine-tuned network is defined as the summation of the frozen pre-trained network $f$ and a neural network $g$ (with $m$ neurons) designed for fine-tuning. When $g$ is a ReLU network with either 2 or 3 layers, we obtain tight upper and lower bounds on FTC; we show that $N$ samples can be fine-tuned with $m=Θ(N)$ neurons for 2-layer networks, and with $m=Θ(sqrt{N})$ neurons for 3-layer networks, no matter how large $K$ is. Our results recover the known memorization capacity results when $N = K$ as a special case.

چکیده به فارسی (ترجمه ماشینی)

تنظیم دقیق مدل های بزرگ از پیش آموزش یک روش معمول در برنامه های یادگیری ماشین است ، اما تجزیه و تحلیل ریاضی آن تا حد زیادی ناشناخته است.در این مقاله ، تنظیم دقیق از طریق لنزهای ظرفیت حفظ می کنیم.اندازه گیری جدید ما ، ظرفیت تنظیم دقیق (FTC) ، به عنوان حداکثر تعداد نمونه هایی که یک شبکه عصبی می تواند خوب یا معادل آن تعریف شود ، تعریف می شود ، زیرا حداقل تعداد نورون ها ($ m $) برای تغییر دلخواه N $ $ مورد نیاز است.برچسب ها در بین نمونه های $ $ $ که در فرآیند تنظیم دقیق در نظر گرفته شده است.در اصل ، FTC مفهوم ظرفیت یادآوری را به سناریوی تنظیم دقیق گسترش می دهد.ما FTC را برای سناریوی تنظیم دقیق افزودنی تجزیه و تحلیل می کنیم که در آن شبکه تنظیم دقیق به عنوان جمع بندی شبکه از پیش آموزش یافته یخ زده $ f $ و یک شبکه عصبی $ g $ (با نورونهای $ m $) طراحی شده است که برای تنظیم دقیق طراحی شده است.بشرهنگامی که $ g $ یک شبکه RELU با 2 یا 3 لایه است ، ما مرزهای بالا و پایین محکم را در FTC بدست می آوریم.ما نشان می دهیم که نمونه های $ n $ می توانند با سلولهای عصبی $ m = θ (n) $ برای شبکه های 2 لایه تنظیم شوند ، و با $ m = θ ( sqrt {n}) سلولهای عصبی $ برای شبکه های 3 لایه ، نهمهم است که $ k $ بزرگ است.نتایج ما نتایج ظرفیت یادآوری شناخته شده را هنگامی که $ n = k $ به عنوان یک مورد خاص بازیابی می کند ، بازیابی 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.

🎯 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.