搜索结果: 1-13 共查到“计算机科学技术 泛化”相关记录13条 . 查询时间(0.112 秒)
基于剪枝堆栈泛化的离线数据驱动进化优化
堆栈泛化 代理模型 离线数据驱动优化 进化计算
2023/6/20
现实世界中存在很多目标函数的计算非常昂贵,甚至目标函数难以建模的复杂优化问题.常规优化方法在解决此类问题时要么无从入手,要么效率低下.离线数据驱动的进化优化方法不需对真实目标函数进行评估,跳出了传统优化方法的固铚,极大推动了昂贵优化问题和不可建模优化问题的求解.但离线数据驱动进化优化的效果严重依赖于所采用代理模型的质量.为提升离线数据驱动进化优化的性能,提出了一个基于剪枝堆栈泛化(Stacked ...
Academy of Mathematics and Systems Science, CAS Colloquia & Seminars：过拟合神经网络的泛化能力
过拟合 神经网络 泛化能力
2023/5/15
我们考虑梯度下降法训练的较宽的深层全连接神经网络的泛化能力。 我们首先将论证在宽度足够大时，对于一维数据，由梯度下降训练的两层神经网络的泛化能力在适当的早停策略下可以达到极小极大率,而由梯度下降训练至过拟合的两层神经网络没有泛化能力。基于这个结果，我们对Benign Overfitting现象提出了一个新的解释。 随后，对于更一般的数据或者高维数据，我们将会简单介绍一下我们组与深层神经网络的泛化能...
生物识别与安全技术研究中心构建基于元学习的泛化人脸识别框架（图）
生物识别 安全技术研 元学习 泛化人脸识别框架
2020/3/19
人脸识别模型通常需要部署在未知的场景中，识别未知的人群，这对模型的泛化性能带来了极大挑战。为解决该技术难题，自动化所郭建珠博士、朱翔昱副研究员和雷震研究员等人构建了基于元学习的泛化人脸识别框架，通过使模型学习跨场景的元知识，提升模型在未知场景下的泛化性。相关成果被CVPR2020录用为Oral论文。
最优脑外科过程是一种训练后网络剪枝算法，计算的复杂度非常高，通过把剪枝条件以惩罚项的形式纳入神经网络的训练目标函数中，把正则化方法的结构优化蕴涵于网络训练过程，构建面向最优脑外科过程的计算模型，实现网络训练过程和最优脑外科过程并行剪枝，既保持了最优脑外科过程的准确性，又具有正则化的高效性，提高了神经网络模型的泛化性能。该模型在理论上具有收敛性，其有效性和可行性通过给出的Levenberg-Marq...
PSO粒子群算法在神经网络泛化能力中研究
PSO粒子群算法 传递函数 逼近
2009/10/22
利用PSO粒子群算法对神经网络的权值和阈值，隐藏层中神经元的传递函数系数进行优化。针对网络训练效果好，而泛化能力很差的情况，将训练样本均方差和权值的平方和结合作为PSO算法的目标函数。实验表明，该方法比惯性权值PSO-BP算法和基本梯度下降法好，不但稳定性好，而且预测精度高，泛化能力得到明显加强。
基于多维泛化路径的K-匿名算法
K-匿名 微数据 隐私保护 域泛化层次结构
2009/8/10
为使微数据发布在满足K-匿名要求的同时提高匿名数据的精度，提出多维泛化路径的概念及相应的2种K-匿名算法，包括完整Filter K-匿名算法和部分Filter K-匿名算法。将它们与Incognito算法和Datafly算法进行比较，实验结果表明2种算法都能有效降低匿名信息损失，提高匿名数据精度和处理效率。
加权融合方法的泛化误差分解
融合 泛化误差分解 方差
2009/7/15
机器学习的性能可以通过泛化误差表达，泛化误差越小，则该学习性能越好，反之则性能越差。为了进一步研究泛化误差的特性，通常采用泛化误差分解的方法。针对加权融合方法，并应用平方误差损失函数，给出了泛化误差的一种分解，在此基础上，进一步获得了加权融合方法的最优泛化误差分解。
基于面向属性泛化及信息增益的数据挖掘方法研究
数据挖掘 粗糙集 属性泛化 信息增益
2009/1/20
针对面向属性的归纳方法及粗糙集方法对知识粒性连续性的特点，将两者有机结合，利用面向属性归纳方法对数据进行泛化，再用属性的信息增益技术寻找泛化属性之间的数据依赖关系，能快速地在数据集中挖掘分类规则。将其应用于经典的仿真算例中，仿真结果合理、可靠。
神经计算中坐标变换的网络模型（CMAC）的泛化特性
泛化性能 小脑模型(CMAC) 坐标变换
2008/12/17
在神经计算中神经网络的泛化特性是一个非常重要的内容.该文简述了小脑模型
(CMAC--Cerebellar Model Areiculation Controller)的原理和学习算法,并用仿真方法讨
论了在机器人使用的坐标变换关系(输入直角坐标值,输出机器手的关节角度)下CMAC的
泛化性能:当泛化率为1:100时CMAC仍能正常工作.系统的精度虽能满足需要,但是进一
步提高却受到限制....
本文首先给出了概念层次等基本定义，明确了基于规则的面向属性的泛化算法，然后利用姜寨一期的属性数据和图形数据，进行了多个层面的泛化数据挖掘，最后对结论展开了考古学的分析解释。
模型的固有复杂度和泛化能力与几何曲率的关系
模型选择 泛化能力 固有复杂度 统计流形 Gauss-Kroneker曲率
2007/12/27
从微分几何角度考察与参数化形式无关的统计模型流形的固有复杂度，指出模型流形的Gauss-Kroneker曲率可以完全刻画模型流形在一点处的全部性质，进而分析了曲率与体积的关系；给出了基于参数估计量邻域附近的解轨迹方法的曲率计算方法；证明了用于衡量泛化能力的未来残差可以用模型的曲率来表示，由此给出一种新的以曲率度量模型复杂度的模型选择准则GKCIC；对几何方法和统计学习理论进行了分析比较.在人工数据...
一种提高前向神经网络泛化性能的新算法
2007/12/12
Abstract提出了一种利用遗传算法优化前向神经网络的结构和正则项系数的混合学习算法．将该方法与附加动量的BP算法、固定正则项系数神经网络方法进行比较．数值结果显示该方法具有精度高、学习收敛速度快和泛化能力高等优点．