ต่อไปคำแนะนำต่อไป
กฎหมายการปรับขนาดสำหรับโครงข่ายประสาทเทียม
ความรู้พื้นฐาน
คู่มือพื้นฐาน
Neural Tangent Kernel (NTK) เป็นเครื่องมือทางคณิตศาสตร์ที่แสดงให้เห็นว่าโครงข่ายประสาทเทียมที่กว้างอย่างไม่สิ้นสุดมีพฤติกรรมเหมือนวิธีเคอร์เนลแบบตายตัวที่เฉพาะเจาะจงในระหว่างการฝึก
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
It matters because it turns mysterious deep learning into something with closed-form, analyzable equations.
ทฤษฎี NTK เปิดตัวโดย Jacot, Gabriel และ Hongler ในปี 2018 ว่าเกิดอะไรขึ้นเมื่อเลเยอร์ของเครือข่ายกว้างขึ้นอย่างไม่มีที่สิ้นสุด ในขีดจำกัดดังกล่าว การฝึกแบบไล่ระดับจะหยุดเป็นการเดินทางแบบไม่เชิงเส้น พารามิเตอร์ของเครือข่ายแทบจะไม่ขยับจากการเริ่มต้นแบบสุ่ม (ระบบ 'การฝึกแบบขี้เกียจ') และฟังก์ชันที่คำนวณจะพัฒนาเป็นเส้นตรง ซึ่งควบคุมโดยเคอร์เนลที่จะคงที่ตลอดการฝึก เคอร์เนลซึ่งเป็นผลคูณภายในของการไล่ระดับสีด้วยความเคารพต่อพารามิเตอร์ คือ NTK เนื่องจากการถดถอยเคอร์เนลมีวิธีแก้ไขที่แน่นอน คุณจึงสามารถคาดการณ์เอาต์พุตของเครือข่ายที่ได้รับการฝึกได้โดยไม่ต้องฝึกจริง NTK อธิบายว่าทำไมเครือข่ายที่มีพารามิเตอร์เกินขนาดอย่างมหาศาลจึงสามารถรองรับข้อมูลได้แต่ยังคงสรุปได้ และเชื่อมโยงการเรียนรู้เชิงลึกเข้ากับวิธีการเคอร์เนลและกระบวนการแบบเกาส์เซียนที่เข้าใจกันมานานหลายทศวรรษ
คาดการณ์ไดนามิกการฝึกอบรมของเครือข่ายในวงกว้างในเชิงวิเคราะห์ เพื่อเลือกอัตราการเรียนรู้โดยไม่ต้องทดลองใช้งานที่มีราคาแพง
การใช้ตัวชี้วัดแบบ NTK เพื่อจัดอันดับสถาปัตยกรรมผู้สมัครในราคาถูกระหว่างการค้นหาสถาปัตยกรรมประสาท
อธิบายตามทฤษฎีว่าทำไมเครือข่ายที่มีพารามิเตอร์เกินมาบรรจบกันจนสูญเสียการฝึกอบรมเป็นศูนย์และยังคงพูดคุยกันทั่วไป
การออกแบบการประมาณเคอร์เนล (กระบวนการเกาส์เซียนที่ได้รับแรงบันดาลใจจาก NTK) สำหรับงานที่มีข้อมูลขนาดเล็กซึ่งการประมาณการความไม่แน่นอนที่แน่นอนมีความสำคัญ
NTK เป็นแกนหลักของทฤษฎีการเรียนรู้เชิงลึกสมัยใหม่ แต่เครือข่ายที่มีขอบเขตจำกัดที่แท้จริงจะเรียนรู้คุณลักษณะต่างๆ ซึ่งเป็นสิ่งที่ขาดหายไปในภาพรวมของเคอร์เนลแบบคงที่ ขณะนี้การวิจัยมุ่งเน้นไปที่ช่องว่างระหว่างพฤติกรรม NTK ที่ 'ขี้เกียจ' กับระบบการเรียนรู้ฟีเจอร์ที่ 'สมบูรณ์' และการใช้ NTK เพื่อทำนายประสิทธิภาพของสถาปัตยกรรม เป็นแนวทางในการค้นหาสถาปัตยกรรมประสาท และการวางนัยทั่วไปที่ถูกผูกไว้ คาดหวังทฤษฎีลูกผสมที่จะจับภาพเมื่อเครือข่ายมีพฤติกรรมเหมือนเคอร์เนลกับเมื่อเรียนรู้การเป็นตัวแทนอย่างแท้จริง
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
Neural Tangent Kernel (NTK) เป็นเครื่องมือทางคณิตศาสตร์ที่แสดงให้เห็นว่าโครงข่ายประสาทเทียมที่กว้างอย่างไม่สิ้นสุดมีพฤติกรรมเหมือนวิธีเคอร์เนลแบบตายตัวที่เฉพาะเจาะจงในระหว่างการฝึก สิ่งสำคัญเพราะมันเปลี่ยนการเรียนรู้เชิงลึกอย่างลึกลับให้กลายเป็นบางสิ่งด้วยสมการรูปแบบปิดที่สามารถวิเคราะห์ได้
ผลลัพธ์ของ NTK ส่วนกลางคือในขีดจำกัดความกว้างอนันต์ เคอร์เนลจะบรรจบกันเป็นค่าคงที่ และคงที่ตลอดการฝึกเกรเดียนต์-ดิสต์
NTK คือ K(x,x') = ⟨∇θ f(x), ∇θ f(x')⟩ ซึ่งเป็นผลคูณภายในของการไล่ระดับสีของเอาต์พุตเทียบกับพารามิเตอร์
NTK ได้รับการแนะนำในรายงานปี 2018 โดย Arthur Jacot, Franck Gabriel และ Clément Hongler
ในการเทรนแบบ Lazy พารามิเตอร์เครือข่ายแบบกว้างจะอยู่ใกล้กับค่าเริ่มต้น และเอาท์พุตจะพัฒนาเป็นเส้นตรง ซึ่งทำให้การวิเคราะห์เคอร์เนลคงที่นั้นถูกต้อง
การถดถอยเคอร์เนลมีวิธีแก้ปัญหาในรูปแบบปิด ดังนั้นในขีดจำกัด NTK เราสามารถคาดการณ์ผลลัพธ์ของเครือข่ายที่ได้รับการฝึกในเชิงวิเคราะห์ได้
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
กฎหมายการปรับขนาดสำหรับโครงข่ายประสาทเทียม
ความรู้พื้นฐาน