> 付費(fèi)閱讀 > 高維統(tǒng)計(jì)與泛化理論
聯(lián)系我們提醒您：讓你提前匯款，或者價(jià)格明顯低于市價(jià)，均有騙子嫌疑，不要輕易相信。
現(xiàn)代人工智能模型（如深度神經(jīng)網(wǎng)絡(luò)）通常呈現(xiàn)參數(shù)量遠(yuǎn)超樣本量的過參數(shù)化特性，但依然能泛化良好，這一現(xiàn)象似乎與傳統(tǒng)統(tǒng)計(jì)學(xué)習(xí)理論（如VC維）矛盾。如何解開“深度學(xué)習(xí)泛化之謎”，即為什么過參數(shù)化模型不會(huì)嚴(yán)重過擬合？如何處理隱式正則化問題，如SGD等優(yōu)化方法本身是否隱含正則化效應(yīng)？ 要解決這些問題，需要的相關(guān)數(shù)學(xué)工具主要包括如下幾種： （1）Rademacher復(fù)雜度、PAC學(xué)習(xí)理論。 （2）隨機(jī)矩陣?yán)碚摗? （3）信息瓶頸理論。
查看全部 請(qǐng)掃碼付款 1元
