实体
Gradient-based auto-tuning for machine learning and deep learning models
Gradient-based auto-tuning for machine learning and deep learning models
PulseAugur coverage of Gradient-based auto-tuning for machine learning and deep learning models — every cluster mentioning Gradient-based auto-tuning for machine learning and deep learning models across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
关系
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新研究探讨Toeplitz协方差估计的优化前景
Daniel Busbib在arXiv上发表的一篇新论文深入探讨了Toeplitz协方差估计的复杂优化前景。该研究利用过参数化的Carathéodory表示来分析问题，证明仅优化幅度可能导致错误。研究证明，这种非线性参数化不会引入额外的驻点，确保Toeplitz最大似然问题的驻点对应于整个问题的驻点。此外，该论文表明，在特定条件下，梯度下降在总体设置下收敛到真实协方差，在特定条件下收敛到唯一的最大似然估计，而无需过参数化。
-
新理论连接持续学习与机器遗忘
研究人员开发了一个理论框架来解决持续学习系统中的机器遗忘挑战。这个新的目标函数量化了保留过去知识与有效遗忘特定数据之间的权衡。该研究分析了基于梯度和基于Hessian的遗忘方法，发现基于梯度的方法存储开销最小，而基于Hessian的方法在最小化遗忘损失方面更有效。这促成了一个提出的混合策略，以平衡性能和存储成本，实验结果支持了理论发现。