PulseAugur
中
实时 09:22:14
English(EN) HalfNet: Randomized Neural Networks with Learned Subspace Geometry

HalfNet论文探讨随机神经网络权重中学习到的几何结构

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的神经网络方法HalfNet，该方法利用从具有学习子空间几何的分布中抽取的随机权重。这种方法在最近的一篇arXiv论文中有所介绍，旨在以显著更少的参数匹配完全训练网络的性能。在MNIST和CIFAR-10等数据集上的实验显示出有希望的结果，表明权重空间的几何结构，而非精确的参数值，具有强大的预测能力。 AI

影响 引入了一种在保持性能的同时可能减小模型尺寸和计算成本的方法。

排序理由 该集群包含一篇详细介绍神经网络新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ethem Alpaydin ·

    HalfNet: Randomized Neural Networks with Learned Subspace Geometry

    arXiv:2606.04583v1 Announce Type: new Abstract: Many researchers investigated neural networks with some of their weights fixed to values randomly drawn from a given distribution, e.g., $N(0, I)$. Our proposed HalfNet draws random weights from $N(0, \Sigma)$, where $\Sigma$, which…

相关实体

相关话题