論文の概要: Unveiling Invariances via Neural Network Pruning

• arxiv url: http://arxiv.org/abs/2309.08171v1
• Date: Fri, 15 Sep 2023 05:38:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 15:54:32.103328
• Title: Unveiling Invariances via Neural Network Pruning
• Title（参考訳）: ニューラルネットワーク・プルーニングによる分散の解き方
• Authors: Derek Xu, Yizhou Sun, Wei Wang
• Abstract要約: 不変性は、データの基本となるセマンティクスを変更しない変換を記述する。 現代のネットワークは、よく知られた不変性を扱うために手作りされている。 本研究では,データ依存の不変性を抽出する新しいネットワークアーキテクチャの学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 44.47186380630998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Invariance describes transformations that do not alter data's underlying semantics. Neural networks that preserve natural invariance capture good inductive biases and achieve superior performance. Hence, modern networks are handcrafted to handle well-known invariances (ex. translations). We propose a framework to learn novel network architectures that capture data-dependent invariances via pruning. Our learned architectures consistently outperform dense neural networks on both vision and tabular datasets in both efficiency and effectiveness. We demonstrate our framework on multiple deep learning models across 3 vision and 40 tabular datasets.
• Abstract（参考訳）: 不変性は、データの基本となるセマンティクスを変更しない変換を記述する。 自然不変性を保存するニューラルネットワークは、優れた帰納バイアスを捕捉し、優れた性能を達成する。 したがって、現代のネットワークはよく知られた不変性(例えば翻訳)を扱うために手作りされている。 本稿では,データ依存不変性をpruningで捉える新しいネットワークアーキテクチャを学ぶためのフレームワークを提案する。 学習したアーキテクチャは、視覚と表のデータセットの両方において、効率と有効性の両方で、ニューラルネットワークよりも一貫して優れています。 3つのビジョンと40のグラフデータセットにまたがる、複数のディープラーニングモデルに関するフレームワークを実演します。

関連論文リスト

• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Revisiting Data Augmentation for Rotational Invariance in Convolutional Neural Networks [0.29127054707887967]
  画像分類のためのCNNにおける回転不変性について検討する。 実験により、データ拡張だけで訓練されたネットワークは、通常の非回転の場合と同様に、回転した画像の分類がほぼ可能であることが示された。
  論文  参考訳（メタデータ） (2023-10-12T15:53:24Z)
• Interpretable Mesomorphic Networks for Tabular Data [25.76214343259399]
  我々は,深度と線形性の両方を同時に備えた,解釈可能なニューラルネットワークの新たなクラスを提案する。 我々は、ディープ・ハイパーネットワークを最適化し、インスタンス毎に説明可能な線形モデルを生成する。
  論文  参考訳（メタデータ） (2023-05-22T14:41:17Z)
• Exploring explicit coarse-grained structure in artificial neural networks [0.0]
  本稿では, ニューラルネットワークの階層的粗粒度構造を用いて, 性能を劣化させることなく, 解釈性を向上させることを提案する。 ひとつはTaylorNetと呼ばれるニューラルネットワークで、入力データから出力結果への一般的なマッピングを直接テイラー級数で近似することを目的としている。 もう1つはデータ蒸留のための新しいセットアップで、入力データセットのマルチレベル抽象化を実行し、新しいデータを生成することができる。
  論文  参考訳（メタデータ） (2022-11-03T13:06:37Z)
• Transfer Learning with Deep Tabular Models [66.67017691983182]
  上流データにより、グラフニューラルネットワークはGBDTモデルよりも決定的な優位性を示す。 そこで本研究では,表在化学習のための現実的な診断ベンチマークを提案する。 上流と下流の特徴セットが異なる場合の擬似特徴法を提案する。
  論文  参考訳（メタデータ） (2022-06-30T14:24:32Z)
• Deep invariant networks with differentiable augmentation layers [87.22033101185201]
  データ拡張ポリシーの学習方法は、保持データを必要とし、二段階最適化の問題に基づいている。 我々のアプローチは、現代の自動データ拡張技術よりも訓練が簡単で高速であることを示す。
  論文  参考訳（メタデータ） (2022-02-04T14:12:31Z)
• Dynamic Inference with Neural Interpreters [72.90231306252007]
  本稿では,モジュールシステムとしての自己アテンションネットワークにおける推論を分解するアーキテクチャであるNeural Interpretersを提案する。 モデルへの入力は、エンドツーエンドの学習方法で一連の関数を通してルーティングされる。 ニューラル・インタープリタは、より少ないパラメータを用いて視覚変換器と同等に動作し、サンプル効率で新しいタスクに転送可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-12T23:22:45Z)
• A Bayesian Approach to Invariant Deep Neural Networks [14.807284992678762]
  我々のモデルは、特定の不変量を含むデータセットでトレーニングされた場合、他の不変でないアーキテクチャよりも優れていることを示す。 データ拡張が行われない場合も同様である。
  論文  参考訳（メタデータ） (2021-07-20T07:33:58Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。