ترجمه فارسی مقاله G-bispectrum انتخابی و وارونگی آن: برنامه های کاربردی به شبکه های G-invariant

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 The Selective G-Bispectrum and its Inversion: Applications to G-Invariant Networks
عنوان مقاله به فارسی G-bispectrum انتخابی و وارونگی آن: برنامه های کاربردی به شبکه های G-invariant
نویسندگان Simon Mataigne, Johan Mathe, Sophia Sanborn, Christopher Hillar, Nina Miolane
فرمت مقاله انگلیسی PDF
تعداد صفحات 22
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 10 July, 2024; originally announced July 2024. , Comments: 9 pages , MSC Class: 68T01; 68T07; 68R01; 20K01
توضیحات به فارسی 10 ژوئیه 2024 ارسال شد.در ابتدا ژوئیه 2024 اعلام شد ، نظرات: 9 صفحه ، کلاس MSC: 68T01 ؛68T07 ؛68r01 ؛20K01
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

An important problem in signal processing and deep learning is to achieve \textit{invariance} to nuisance factors not relevant for the task. Since many of these factors are describable as the action of a group $G$ (e.g. rotations, translations, scalings), we want methods to be $G$-invariant. The $G$-Bispectrum extracts every characteristic of a given signal up to group action: for example, the shape of an object in an image, but not its orientation. Consequently, the $G$-Bispectrum has been incorporated into deep neural network architectures as a computational primitive for $G$-invariance\textemdash akin to a pooling mechanism, but with greater selectivity and robustness. However, the computational cost of the $G$-Bispectrum ($\mathcal{O}(|G|^2)$, with $|G|$ the size of the group) has limited its widespread adoption. Here, we show that the $G$-Bispectrum computation contains redundancies that can be reduced into a \textit{selective $G$-Bispectrum} with $\mathcal{O}(|G|)$ complexity. We prove desirable mathematical properties of the selective $G$-Bispectrum and demonstrate how its integration in neural networks enhances accuracy and robustness compared to traditional approaches, while enjoying considerable speeds-up compared to the full $G$-Bispectrum.

چکیده به فارسی (ترجمه ماشینی)

یک مشکل مهم در پردازش سیگنال و یادگیری عمیق ، دستیابی به \ textit {تغییر ناچیز به عوامل مزاحمت برای کار نیست.از آنجا که بسیاری از این عوامل به عنوان عملکرد یک گروه $ g $ (به عنوان مثال چرخش ، ترجمه ، مقیاس بندی) قابل توصیف هستند ، ما می خواهیم روش ها $ g $ -Invariant باشند.$ g $ -bispectrum هر ویژگی یک سیگنال معین را تا عمل گروهی استخراج می کند: به عنوان مثال ، شکل یک شی در یک تصویر ، اما جهت گیری آن نیست.در نتیجه ، $ g $-bispectrum در معماری های شبکه عصبی عمیق به عنوان یک محاسبات بدوی برای $ g $ -invariance \ textemdash شبیه به یک مکانیسم استخر گنجانیده شده است ، اما با انتخاب و استحکام بیشتر.با این حال ، هزینه محاسباتی $ g $ -bispectrum ($ \ mathcal {o} (| g |^2) $ ، با $ | g | $ اندازه گروه) پذیرش گسترده خود را محدود کرده است.در اینجا ، ما نشان می دهیم که محاسبه $ g $ -bispectrum حاوی افزونگی هایی است که می تواند به \ textit {انتخابی $ g $ -bispectrum} با $ \ mathcal {o} (| g |) پیچیدگی $ کاهش یابد.ما خصوصیات ریاضی مطلوب از انتخابی $ g $ -bispectrum را اثبات می کنیم و نشان می دهیم که چگونه ادغام آن در شبکه های عصبی در مقایسه با رویکردهای سنتی ، دقت و استحکام را افزایش می دهد ، در حالی که از سرعت قابل توجهی در مقایسه با $ g $ -bispectrum برخوردار است.

📚 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.