搜索结果: 1-7 共查到“人工智能 泛化”相关记录7条 . 查询时间(0.315 秒)
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。
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。
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。
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....
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．