ترجمه فارسی توضیحات (ترجمه ماشینی)
محدودیت ها و روندهای آینده در محاسبات عصبی (علم ناتو)
این کار تحلیلهای انتقادی را در مورد مسائل پیچیدگی در محیط پیوسته و تعمیم به نمونههای جدید گزارش میکند، که دو نقطه عطف اساسی در یادگیری از نمونههایی در مدلهای پیوندگرا هستند. مشکل بارگذاری وزن شبکههای عصبی، که اغلب به عنوان بهینهسازی پیوسته قاب میشود، هدف بسیاری از انتقادات بوده است، زیرا راهحل بالقوه هر مشکل یادگیری با وجود حداقل محلی در تابع خطا محدود میشود. مفهوم راه حل کارآمد باید به گونه ای رسمی شود که مقایسه های مفیدی با نظریه سنتی پیچیدگی محاسباتی در محیط گسسته ارائه شود. همچنین پیشرفت های به روز در ریاضیات محاسباتی را پوشش می دهد.
This work reports critical analyses on complexity issues in the continuum setting and on generalization to new examples, which are two basic milestones in learning from examples in connectionist models. The problem of loading the weights of neural networks, which is often framed as continuous optimization, has been the target of many criticisms, since the potential solution of any learning problem is limited by the presence of local minimal in the error function. The notion of efficient solution needs to be formalized so as to provide useful comparisons with the traditional theory of computational complexity in the discrete setting. It also covers up-to-date developments in computational mathematics.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.