研究探索 Sign-Symmetry 学习规则以实现强大的神经网络微调

一篇研究论文提出将 Sign-Symmetry 学习规则作为神经网络的微调方法，旨在提高鲁棒性而不牺牲性能，与标准反向传播相比。由 Aymene Berriche 进行的研究通过在各种任务和基准测试中的广泛实验证明了这种方法。尽管该论文后来被撤回，但其发现为在深度学习中使用受生物学启发的学习规则开辟了新途径。 AI

影响 表明替代的微调方法可以增强模型的鲁棒性并提供新的研究方向。

排序理由 该集群包含一篇被撤回的学术论文，讨论了一种新颖的神经网络微调方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• Aymene Berriche
• backpropagation
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• ScienceCast
• Sign-Symmetry learning rules

• 论文
• 其他

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