論文の概要: The Vanishing Decision Boundary Complexity and the Strong First Component

• arxiv url: http://arxiv.org/abs/2211.16209v1
• Date: Fri, 25 Nov 2022 21:39:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 15:10:50.315476
• Title: The Vanishing Decision Boundary Complexity and the Strong First Component
• Title（参考訳）: 消滅する決定境界複雑性と強第1成分
• Authors: Hengshuai Yao
• Abstract要約: 機械学習とは異なり、よく訓練された深層モデルの決定境界には複雑な境界構造は存在しないことを示す。 複雑な構造はトレーニング中に現れるが、形成後すぐに消滅することがわかった。 深層モデルの一般化研究に先立つ決定境界をどう使うかを示す。
• 参考スコア（独自算出の注目度）: 11.65690857661528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We show that unlike machine learning classifiers, there are no complex boundary structures in the decision boundaries for well-trained deep models. However, we found that the complicated structures do appear in training but they vanish shortly after shaping. This is a pessimistic news if one seeks to capture different levels of complexity in the decision boundary for understanding generalization, which works well in machine learning. Nonetheless, we found that the decision boundaries of predecessor models on the training data are reflective of the final model's generalization. We show how to use the predecessor decision boundaries for studying the generalization of deep models. We have three major findings. One is on the strength of the first principle component of deep models, another about the singularity of optimizers, and the other on the effects of the skip connections in ResNets. Code is at https://github.com/hengshu1/decision_boundary_github.
• Abstract（参考訳）: 機械学習の分類器とは異なり、よく訓練された深層モデルの決定境界には複雑な境界構造は存在しない。 しかし, 複雑な構造は訓練中に現れるが, 形成後すぐに消失することがわかった。 これは、機械学習でうまく機能する一般化を理解するための決定境界における様々なレベルの複雑さを捉えようとする場合、悲観的なニュースである。 それにもかかわらず、トレーニングデータの事前モデルの決定境界は、最終モデルの一般化を反映していることがわかった。 深層モデルの一般化研究に先駆的な決定境界を用いる方法を示す。 主な発見は3つある。 1つは深層モデルの第一原理成分の強さ、もう1つはオプティマイザの特異性、もう1つはresnetにおけるスキップ接続の効果である。 コードはhttps://github.com/hengshu1/decision_boundary_githubにある。

関連論文リスト

• Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
  本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。 各パーティション内に1つのプリミティブを導出するために空間分割を適用する。 我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
  論文  参考訳（メタデータ） (2024-06-07T21:07:49Z)
• Bridging Expert Knowledge with Deep Learning Techniques for Just-In-Time Defect Prediction [9.877904077610049]
  Just-In-Time(JIT)の欠陥予測は、コミットが欠陥であるかどうかを自動的に予測することを目的としている。 シンプルなモデルで使用される手作りの機能は、専門家の知識に基づいていますが、コミットの意味を完全に表現することはできません。 複雑なモデルで使用されるディープラーニングベースの機能は、コミットの意味を表現しているが、有用な専門家の知識を反映していないかもしれない。
  論文  参考訳（メタデータ） (2024-03-17T04:20:38Z)
• Understanding the Double Descent Phenomenon in Deep Learning [49.1574468325115]
  このチュートリアルは、古典的な統計学習の枠組みを設定し、二重降下現象を導入する。 いくつかの例を見て、セクション2では、二重降下において重要な役割を果たすと思われる帰納的バイアスを導入している。 第3節は2つの線形モデルで二重降下を探索し、最近の関連する研究から他の視点を提供する。
  論文  参考訳（メタデータ） (2024-03-15T16:51:24Z)
• Learning to Branch in Combinatorial Optimization with Graph Pointer Networks [17.729352126574902]
  本稿では,分岐境界における変数選択ポリシーを学習するためのグラフポインターネットワークモデルを提案する。 グラフニューラルネットワークとポインタ機構を組み合わせたモデルでは,解法状態から分岐変数決定への効果的マッピングが可能である。
  論文  参考訳（メタデータ） (2023-07-04T01:56:07Z)
• Part-Based Models Improve Adversarial Robustness [57.699029966800644]
  人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。 我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。 実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
  論文  参考訳（メタデータ） (2022-09-15T15:41:47Z)
• Can Neural Nets Learn the Same Model Twice? Investigating Reproducibility and Double Descent from the Decision Boundary Perspective [48.227605035133415]
  ニューラルネットワーク決定境界と決定領域を可視化する手法について議論する。 モデルアーキテクチャの変更が決定境界の可視的変化を引き起こすことを観察する。 また、決定境界法を用いて二重降下現象を可視化する。
  論文  参考訳（メタデータ） (2022-03-15T17:51:15Z)
• Exploring Strategies for Generalizable Commonsense Reasoning with Pre-trained Models [62.28551903638434]
  モデルの一般化と精度に及ぼす3つの異なる適応法の影響を計測する。 2つのモデルを用いた実験では、微調整はタスクの内容と構造の両方を学習することで最もうまく機能するが、過度に適合し、新しい答えへの限定的な一般化に苦しむ。 我々は、プレフィックスチューニングのような代替適応手法が同等の精度を持つのを観察するが、解を見落とさずに一般化し、対数分割に対してより堅牢である。
  論文  参考訳（メタデータ） (2021-09-07T03:13:06Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Auditing and Debugging Deep Learning Models via Decision Boundaries: Individual-level and Group-level Analysis [0.0]
  深層学習モデルの説明、監査、デバッグにはフリップポイントを使用します。 フリップポイントは、2つの出力クラスの境界にある任意の点である。 機械学習のソーシャルな応用に使用される標準データセットに基づいて訓練されたモデルをいくつか調べて,本手法を実証する。
  論文  参考訳（メタデータ） (2020-01-03T01:45:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。