研究人员证明了在多指标模型中,对称感知和对称不可知特征学习在样本复杂度上存在显著的多项式分离。该研究侧重于具有循环对称性的高维高斯协变量,比较了三种方法:架构权重共享、数据增强以及无对称性感知学习。研究结果表明,与对称不可知学习器相比,对称约束的卷积网络和使用全组数据增强训练的网络在样本效率方面均表现更优,提供了多项式优势。 AI
影响 这项研究可能通过更好地利用数据中固有的对称性,从而开发出更具样本效率的AI模型。
排序理由 该集群包含一篇详细介绍机器学习新理论发现的学术论文。
在 Hugging Face Daily Papers 阅读 →
- alphaXiv
- arXiv
- CatalyzeX
- Charles Hermite
- cs.LG
- DagsHub
- Gaussian covariates
- Gotit.pub
- Hugging Face
- IArxiv
- multi-index models
- ScienceCast
- SGD
- Symmetry-Aware Feature Learning
- Hermite link
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →