抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深層学習における一般化に関する推論のための新しいフレームワークを提案した。コアアイディアは,最適化者が経験的損失で確率的勾配ステップを,理想世界に採用し,そこでは,最適化者が母集団損失のステップを取る,現実世界を結合させることである。これは試験誤差の交互分解につながる。(1)理想世界試験誤差プラス(2)2つの世界間のギャップ。ギャップ(2)が普遍的に小さいならば,これはオンライン学習における最適化の問題にオフライン学習における一般化の問題を減らす。次に,世界間のこのギャップが現実的深層学習設定,特に教師付き画像分類において小さいという経験的証拠を与えた。例えば,CNNは現実世界における画像分布においてMLPよりも良く一般化するが,これは”原因”であり,それは理想的世界における個体群損失に関してより速く最適化する。これは,著者らのフレームワークが深層学習における一般化を理解するための有用なツールであり,この分野における将来の研究の基礎を築くことを示唆する。【JST・京大機械翻訳】