研究人员开发了新颖的基于范数的神经网络正则化技术，旨在提高预测性能和复杂度控制。这些方法通过纳入输入特征协方差结构来扩展经典的岭和套索惩罚。一种策略修改权重衰减以考虑特征依赖性，另一种策略将 L1 稀疏性与协方差感知的 L2 正则化相结合，以获得结构化感知权重。使用模拟和真实世界数据（包括建筑制冷负荷预测和白血病细胞分类）进行的评估表明，性能得到了增强，尤其是在处理相关或高维特征时。 AI
影响 引入了新的正则化技术，可以提高机器学习应用的模型的性能并控制复杂度。
排序理由 这是一篇详细介绍神经网络新正则化方法的学术论文。
- arXiv
- building cooling-load prediction
- gene expression data
- L1 sparsity
- L2 regularization
- lasso penalty
- leukemia cell-type classification
- Monte Carlo simulations
- neural networks
- ridge penalty
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
