新论文将梯度下降与神经网络中的隐式EM联系起来

一篇新论文提出，在某些神经网络目标函数中，梯度下降表现为一种隐式的期望最大化（EM）算法。研究表明，对于涉及距离或能量的log-sum-exp结构的优化目标，相对于每个距离的梯度恰好是相应分量的负后验责任。这个代数恒等式是Fisher恒等式的一个特例，意味着标准的神经网络训练在没有显式辅助变量的情况下，隐式地执行了广义EM。这些发现统一了无监督混合模型、注意力机制和交叉熵分类，解释了Transformer等模型中观察到的软聚类和贝叶斯不确定性跟踪等现象。 AI

影响 提供了一个理论框架，可能带来更高效、更易于解释的神经网络训练。

排序理由 该集群包含一篇学术论文，详细介绍了神经网络训练动力学的新理论见解。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Alan Oursland
• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Fisher's identity
• Gotit.pub
• Hugging Face
• ScienceCast
• transformers

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →