PulseAugur
中
实时 21:59:58
实体 training loss

training loss

PulseAugur coverage of training loss — every cluster mentioning training loss across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 1
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
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 1 条
  1. RESEARCH · CL_342230 ·

    新研究识别出人工智能训练中的“灾难性过拟合”并提出解决方案

    研究人员在神经网络的快速对抗训练(FAT)中识别出一种称为灾难性过拟合(CO)的现象。当模型在训练中使用的单步攻击表现良好时,对多步攻击的鲁棒性会迅速下降,这就是CO的发生。研究表明,这是由于一种标准的训练损失无法察觉的微妙“权重漂移”。然而,权重的指数移动平均(EMA)保持了鲁棒性。该论文提出了一种简单的修复方法:当验证鲁棒性下降时,将权重重置为其EMA,这可以有效消除CO,并在CIFAR-100等基准测试中以降低的训练成本实现最先进的准确性。