ترجمه فارسی مقاله یک چارچوب متحد برای محاسبات عصبی و یادگیری با گذشت زمان

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی A Unified Framework for Neural Computation and Learning Over Time
عنوان مقاله به فارسی یک چارچوب متحد برای محاسبات عصبی و یادگیری با گذشت زمان
نویسندگان Stefano Melacci, Alessandro Betti, Michele Casoni, Tommaso Guidi, Matteo Tiezzi, Marco Gori
فرمت مقاله انگلیسی PDF
تعداد صفحات 19
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
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

This paper proposes Hamiltonian Learning, a novel unified framework for learning with neural networks "over time", i.e., from a possibly infinite stream of data, in an online manner, without having access to future information. Existing works focus on the simplified setting in which the stream has a known finite length or is segmented into smaller sequences, leveraging well-established learning strategies from statistical machine learning. In this paper, the problem of learning over time is rethought from scratch, leveraging tools from optimal control theory, which yield a unifying view of the temporal dynamics of neural computations and learning. Hamiltonian Learning is based on differential equations that: (i) can be integrated without the need of external software solvers; (ii) generalize the well-established notion of gradient-based learning in feed-forward and recurrent networks; (iii) open to novel perspectives. The proposed framework is showcased by experimentally proving how it can recover gradient-based learning, comparing it to out-of-the box optimizers, and describing how it is flexible enough to switch from fully-local to partially/non-local computational schemes, possibly distributed over multiple devices, and BackPropagation without storing activations. Hamiltonian Learning is easy to implement and can help researches approach in a principled and innovative manner the problem of learning over time.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، Hamiltonian Learning ، یک چارچوب یکپارچه یکپارچه برای یادگیری با شبکه های عصبی "با گذشت زمان" ، یعنی از یک جریان احتمالاً نامحدود ، به صورت آنلاین و بدون دسترسی به اطلاعات آینده ، پیشنهاد می کند.آثار موجود بر روی تنظیمات ساده متمرکز شده اند که در آن جریان دارای طول محدود شناخته شده است یا در توالی های کوچکتر تقسیم می شود و از استراتژی های یادگیری به خوبی تثبیت شده از یادگیری ماشین آماری استفاده می کند.در این مقاله ، مشکل یادگیری به مرور زمان از ابتدا مورد بازنگری قرار می گیرد ، ابزارهای اعمال شده از تئوری کنترل بهینه ، که نمای وحدت کننده ای از پویایی زمانی محاسبات عصبی و یادگیری را به همراه دارد.یادگیری همیلتون مبتنی بر معادلات دیفرانسیل است که: (i) می تواند بدون نیاز به حل کننده های نرم افزار خارجی یکپارچه شود.(ب) مفهوم تثبیت شده یادگیری مبتنی بر گرادیان در شبکه های تغذیه ای و مکرر را تعمیم دهید.(iii) برای دیدگاه های جدید باز است.چارچوب پیشنهادی با اثبات تجربی نشان می دهد که چگونه می تواند یادگیری مبتنی بر شیب را بازیابی کند ، آن را با بهینه سازهای خارج از جعبه مقایسه کند و توصیف کند که چگونه به اندازه کافی انعطاف پذیر است که از طرح های محاسباتی کاملاً محلی به جزئی/غیر محلی تغییر کند ،احتمالاً بیش از چندین دستگاه توزیع شده و بدون ذخیره سازی فعال سازی.یادگیری همیلتون به راحتی قابل اجرا است و می تواند به تحقیق در رویکرد به روشی اصولی و ابتکاری مشکل یادگیری در طول زمان کمک 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.