深度学习技术是基于多层神经网络的机器学习方法,已经广泛应用于物理、化学、生物、计算机科学、神经科学等多个领域。但是,巨量的网络连接参数以及多层嵌套的非线性函数使得深度学习高度非透明(也被诟病为黑箱)。通俗地讲,人们并不知道网络最后一层的决策行为是如何由巨量的表征参数决定的(即信用分配问题)。这无疑对工业应用比如自动驾驶、医学诊断等,甚至对利用深度学习进行科学探索方面构成 “ 模型信任 ” 威胁。另一方面,近年来机器学习本身也发现了深度网络存在随机子网络的经验事实,这与网络压缩、迁移学习存在本质联系。因此,从理论视角去理解深度网络的决策行为具有十分重要的研究价值和意义。
深度学习aps_研究进展:深度学习信用分配的统计物理理论
最新推荐文章于 2022-07-31 20:11:24 发布