קן סטנלי וחברים ממשיכים לחקור ייצוגים מחולקים לגורמים. בעבודה זו ניסו ללמוד אותם דרך ירידה שיפועית רגילה (בעבודות קודמות הראו ש-GD לא לומד אותם). כדי שהלמידה תהיה מוצלחת, הוספנו מקודד אוטומטי חכם (ונועז) בקרבת מקום, שלומד באופן סלקטיבי מהדוגמאות הטהורות ביותר.
آیا بشقاب پرنده ها واقعی هستند؟ مقدمه ای بر سازمان های متحد توماس ایکس شپرد، آلون آللباک، جوئل لمان، کنت او. مقاله استنلی: بررسی: کد.
نتیجه نهایی: از دست دادن کار استاندارد به طور ضعیفی نمایش های داخلی شبکه را محدود می کند. آموزش همزمان یک رمزگذار خودکار انتخابی کم ظرفیت روی فعالسازی عادی، شیب نزولی را به سمت الگوهای ثابت هدایت میکند و تعمیم تاخیری را تسریع میکند.
کاری که آنها انجام دادند: نویسندگان سازمانهای یکپارچه (UFO) را پیشنهاد کردند، رمزگذارهای خودکار غیرخطی الحاقی که همزمان یاد میگیرند فعالسازیهای نهفته عادی یا وزنهای توجه شبکه اصلی را بازتولید کنند. برای جلوگیری از انطباق رمزگذار خودکار با ویژگیهای نامنظم، وزنهای آن تنها بر روی نمایشهایی با کمترین خطا بهروزرسانی میشوند و شبکه اصلی در تمام نمونهها جریمه میشود.
آنچه داریم: در رگرسیون تصویر، بشقاب پرندهها فعالسازیهای پنهان آشفته را با نقشههای ویژگی متقارن جایگزین میکنند. در پارتیشن بندی مدولار (جایی که تعمیم تاخیری گروک نامیده می شود)، بشقاب پرنده های انتخابی تعداد متوسط پله های شبکه اصلی را با ضریب 2.04-12.25 نسبت به کاهش وزن ضعیف کاهش می دهند. در بیشتر تنظیمات، غرغر کردن بدون آن اتفاق می افتد.
چرا مهم است: طرح های بازنمایی یادگیری به ایجاد الگوهای منظم در طول یادگیری افزایشی کمک می کند. با این حال، زمان اجرای واقعی اندازهگیری نمیشود و آزمایشها به کارهای مصنوعی کوچک با موقعیتهای ثابت محدود میشوند.
עב"ם הגיע והאיץ את הגלישה כאן