深層学習における概観周波数原理/スペクトルバイアス【JST・京大機械翻訳】

Xu Zhi-Qin John; Zhang Yaoyu; Luo Tao

プレプリント

J-GLOBAL ID：202202213510235604 整理番号：22P0276555

深層学習における概観周波数原理/スペクトルバイアス【JST・京大機械翻訳】

Overview frequency principle/spectral bias in deep learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年01月18日プレプリントサーバーでの情報更新日： 2022年10月18日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

深い学習の理解は,ますます産業と科学に浸透するので,ますます緊急である。近年,Fourier解析からの研究ラインは,深層ニューラルネットワーク(DNN)-DNNの訓練挙動の周波数原理(F-Principleまたはスペクトルバイアス)を示すことにより,このマジック「ブラックボックス」に光を投げかけ,訓練中の低から高周波数への機能にしばしば適合している。”DNNs”-DNNsの訓練挙動の周波数原理(F-Principleまたはスペクトルバイアス)を示すことにより,このマジックな”ブラックボックス”に光を投げかける。F-Principleは,一次元合成データによって最初に実証され,高次元実データセットにおける検証が続いた。一連の研究は,その後F-Principleの有効性を強化する。この低周波陰的バイアスは,低周波関数の学習におけるニューラルネットワークの強度と,高周波関数の学習における欠陥を明らかにした。このような理解は,実際の問題におけるDNNベースのアルゴリズムの設計を推進し,様々なシナリオで出現する実験現象を説明し,さらに,周波数展望から深い学習の研究を進める。不完全ではあるが,F-Principleの概観を提供し,将来の研究のためのいくつかの未解決問題を提案した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能 , 音声処理 , ニューロコンピュータ , トランジスタ

, ,

前のページに戻る