PulseAugur
中
实时 12:46:00
English(EN) Fourier fractal dimension to predict the generalization of deep neural networks

新方法利用傅里叶分形维度预测神经网络泛化能力

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新方法，无需单独的验证数据即可预测深度神经网络的泛化能力。该方法利用网络权重变化的傅里叶分形维度，在频域分析学习轨迹。所提出的度量与实际泛化差距显示出强相关性，并在 CIFAR-10 和 MNIST 等标准数据集上优于现有方法。该工作还引入了一种基于傅里叶的优化器，以帮助在训练过程中规范化该分形维度。 AI

影响 提供了一种无需验证集即可评估模型性能的新方法，有望简化机器学习开发流程。

排序理由 该集群包含一篇详细介绍机器学习新研究方法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Joao B. Florindo, Davi Wanderley Misturini ·

    傅里叶分形维度预测深度神经网络的泛化能力

    arXiv:2606.08308v1 Announce Type: new Abstract: Predicting the generalization performance of deep neural networks without relying on hold-out validation data is a fundamental challenge in machine learning. While Stochastic Gradient Descent (SGD) drives the optimization of these h…

  2. arXiv cs.LG TIER_1 English(EN) · Davi Wanderley Misturini ·

    傅里叶分形维度预测深度神经网络的泛化能力

    Predicting the generalization performance of deep neural networks without relying on hold-out validation data is a fundamental challenge in machine learning. While Stochastic Gradient Descent (SGD) drives the optimization of these highly parameterized models, its heavy-tailed, no…

相关实体

相关话题