ترجمه فارسی مقاله نمایش لایه های شبکه عصبی به عنوان عملیات خطی از طریق تئوری اپراتور کوپمن

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 Representing Neural Network Layers as Linear Operations via Koopman Operator Theory
عنوان مقاله به فارسی نمایش لایه های شبکه عصبی به عنوان عملیات خطی از طریق تئوری اپراتور کوپمن
نویسندگان Nishant Suresh Aswani, Saif Eddin Jabari, Muhammad Shafique
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 2 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 2 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

The strong performance of simple neural networks is often attributed to their nonlinear activations. However, a linear view of neural networks makes understanding and controlling networks much more approachable. We draw from a dynamical systems view of neural networks, offering a fresh perspective by using Koopman operator theory and its connections with dynamic mode decomposition (DMD). Together, they offer a framework for linearizing dynamical systems by embedding the system into an appropriate observable space. By reframing a neural network as a dynamical system, we demonstrate that we can replace the nonlinear layer in a pretrained multi-layer perceptron (MLP) with a finite-dimensional linear operator. In addition, we analyze the eigenvalues of DMD and the right singular vectors of SVD, to present evidence that time-delayed coordinates provide a straightforward and highly effective observable space for Koopman theory to linearize a network layer. Consequently, we replace layers of an MLP trained on the Yin-Yang dataset with predictions from a DMD model, achieving a mdoel accuracy of up to 97.3%, compared to the original 98.4%. In addition, we replace layers in an MLP trained on the MNIST dataset, achieving up to 95.8%, compared to the original 97.2% on the test set.

چکیده به فارسی (ترجمه ماشینی)

عملکرد قوی شبکه های عصبی ساده اغلب به فعال سازی های غیرخطی آنها نسبت داده می شود.با این حال ، یک نمای خطی از شبکه های عصبی ، درک و کنترل شبکه ها را بسیار نزدیک تر می کند.ما از دیدگاه سیستم های دینامیکی شبکه های عصبی ترسیم می کنیم و با استفاده از تئوری اپراتور کوپمن و اتصالات آن با تجزیه حالت پویا (DMD) ، چشم انداز تازه ای را ارائه می دهیم.آنها با هم ، چارچوبی را برای خطی کردن سیستم های دینامیکی با تعبیه سیستم در یک فضای قابل مشاهده مناسب ارائه می دهند.با تغییر دادن یک شبکه عصبی به عنوان یک سیستم دینامیکی ، ما نشان می دهیم که می توانیم لایه غیرخطی را در یک Perceptron چند لایه پیش بینی شده (MLP) با یک اپراتور خطی با دینهای محدود جایگزین کنیم.علاوه بر این ، ما مقادیر ویژه DMD و بردارهای مفرد صحیح SVD را تجزیه و تحلیل می کنیم ، تا شواهدی ارائه دهیم که مختصات با تأخیر در زمان یک فضای قابل مشاهده و بسیار مؤثر برای نظریه کوپمن فراهم می کند تا یک لایه شبکه را خطی کند.در نتیجه ، ما لایه های یک MLP را که در مجموعه داده یین-یانگ آموزش دیده است با پیش بینی های یک مدل DMD جایگزین می کنیم و به دقت MDOEL تا 97.3 ٪ دست می یابیم ، در مقایسه با 98.4 ٪ اصلی.علاوه بر این ، ما لایه ها را در یک MLP آموزش داده شده در مجموعه داده MNIST جایگزین می کنیم و به 95.8 ٪ رسیده ایم ، در مقایسه با 97.2 ٪ اصلی در مجموعه آزمون.

📚 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.