实体
random feature networks
random feature networks
PulseAugur coverage of random feature networks — every cluster mentioning random feature networks 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
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
随机特征网络展现二次泛化改进
研究人员探索了两层随机特征网络中的弱到强泛化，其中在较弱教师模型数据上训练的学生模型取得了更好的性能。利用随机矩阵理论，该研究推导了教师模型和学生模型误差的确定性等价物。对于ReLU激活和特定的目标函数，分析揭示了二次改进，学生误差的缩放比例为教师误差的平方，达到了一个通用的下界。
-
新型RNN利用Koopman算子理论绕过梯度下降
研究人员开发了基于Koopman的循环神经网络（RNN），它们可以绕过传统的基于梯度的训练方法，如时间反向传播。这种新颖的方法将随机特征网络与Koopman算子理论相结合，无需梯度即可构建所有RNN的权重和偏差。该方法在时间序列分析、混沌动力学系统和控制问题方面，已证明其预测精度与标准模型相当，但训练时间显著缩短。