Machine Learning,Artificial Intelligence,Neural and Evolutionary Computing,یادگیری ماشین , هوش مصنوعی , محاسبات عصبی و تکاملی ,
توضیحات
Submitted 11 September, 2024; v1 submitted 17 August, 2024; originally announced August 2024. , Comments: Accepted in European Conference on Artificial Intelligence (ECAI), 2024
توضیحات به فارسی
ارسال شده در 11 سپتامبر 2024 ؛V1 ارسال شده 17 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: در کنفرانس اروپا در زمینه هوش مصنوعی (ECAI) ، 2024 پذیرفته شده است
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
Forward-only learning algorithms have recently gained attention as alternatives to gradient backpropagation, replacing the backward step of this latter solver with an additional contrastive forward pass. Among these approaches, the so-called Forward-Forward Algorithm (FFA) has been shown to achieve competitive levels of performance in terms of generalization and complexity. Networks trained using FFA learn to contrastively maximize a layer-wise defined goodness score when presented with real data (denoted as positive samples) and to minimize it when processing synthetic data (corr. negative samples). However, this algorithm still faces weaknesses that negatively affect the model accuracy and training stability, primarily due to a gradient imbalance between positive and negative samples. To overcome this issue, in this work we propose a novel implementation of the FFA algorithm, denoted as Polar-FFA, which extends the original formulation by introducing a neural division (\emph{polarization}) between positive and negative instances. Neurons in each of these groups aim to maximize their goodness when presented with their respective data type, thereby creating a symmetric gradient behavior. To empirically gauge the improved learning capabilities of our proposed Polar-FFA, we perform several systematic experiments using different activation and goodness functions over image classification datasets. Our results demonstrate that Polar-FFA outperforms FFA in terms of accuracy and convergence speed. Furthermore, its lower reliance on hyperparameters reduces the need for hyperparameter tuning to guarantee optimal generalization capabilities, thereby allowing for a broader range of neural network configurations.
چکیده به فارسی (ترجمه ماشینی)
الگوریتم های یادگیری فقط به جلو به تازگی به عنوان گزینه های دیگری برای بازگشت به گرادیان مورد توجه قرار گرفته اند و مرحله عقب مانده این حل کننده دوم را با یک پاس متضاد متضاد دیگر جایگزین می کنند.در میان این رویکردها ، الگوریتم به اصطلاح رو به جلو (FFA) از نظر تعمیم و پیچیدگی به سطح رقابتی عملکرد دست پیدا می کند.شبکه هایی که با استفاده از FFA آموزش داده می شوند یاد می گیرند که هنگام ارائه داده های واقعی (به عنوان نمونه مثبت) ، یک نمره خوب تعریف شده از لایه را به حداکثر برسانند و هنگام پردازش داده های مصنوعی (نمونه های منفی) آن را به حداقل برسانند.با این حال ، این الگوریتم هنوز با ضعف هایی روبرو است که بر دقت مدل و ثبات آموزش تأثیر منفی می گذارد ، در درجه اول به دلیل عدم تعادل شیب بین نمونه های مثبت و منفی.برای غلبه بر این مسئله ، در این کار ما یک اجرای جدید از الگوریتم FFA را ارائه می دهیم ، با عنوان Polar-FFA ، که با معرفی یک بخش عصبی (\ amp {قطبش) بین نمونه های مثبت و منفی ، فرمول اصلی را گسترش می دهد.نورونها در هر یک از این گروه ها هدف از این کار به حداکثر رساندن خوبی های خود در هنگام ارائه با نوع داده مربوطه هستند و از این طریق یک رفتار شیب متقارن ایجاد می کنند.برای سنجش تجربی قابلیت های یادگیری بهبود یافته از قطبی Polar-FFA ، ما چندین آزمایش سیستماتیک را با استفاده از توابع فعال سازی و خوب بودن در مجموعه داده های طبقه بندی تصویر انجام می دهیم.نتایج ما نشان می دهد که قطبی-FFA از نظر دقت و سرعت همگرایی از FFA بهتر است.علاوه بر این ، اعتماد به نفس پایین تر آن به HyperParameters نیاز به تنظیم Hyperparameter را برای تضمین قابلیت های تعمیم بهینه کاهش می دهد ، در نتیجه امکان طیف گسترده ای از تنظیمات شبکه عصبی را فراهم 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
