卷积神经网络的 PAC-Bayesian 边界
利用 PAC-Bayes 分析,我们提出了一种将前馈神经网络的谱范数和权重的 Frobenius 范数乘积作为度量的泛化界限。
Jul, 2017
本文基于 PAC-Bayesian 方法推导出了两种主要的图神经网络(GCNs 和 MPGNNs)的泛化界,进一步显示节点最大度数和权重的谱范数支配了这两种模型的泛化界。
Dec, 2020
我们提出了一种算法,将校准预测与从学习理论推导的泛化界限相结合,构建深度神经网络的置信集,具有 PAC 保证 —— 即给定输入的置信集具有很高的真标签概率。我们演示了如何在 ResNet for ImageNet、视觉对象跟踪模型和半猎豹强化学习问题的动态模型上使用我们的方法构建 PAC 置信集。
Dec, 2019
在这篇论文中,我们使用 PAC-Bayesian 框架为两种流行的图神经网络,图卷积网络(GCN)和消息传递图神经网络,提供了对抗鲁棒性泛化界限的结果。我们的结果揭示出图上扩散矩阵的谱范数、权重的谱范数以及扰动因子决定了这两个模型的鲁棒性泛化界限。同时,我们的界限避免了在标准设置中指数依赖于最大节点度的问题。作为推论,我们在标准设置中为 GCN 导出了更好的 PAC-Bayesian 鲁棒性泛化界限,避免了在(Liao 等人,2020)中对最大节点度的指数依赖。
Feb, 2024
本文基于 CIFAR-10 数据集的实验结果,提出卷积神经网络泛化误差的边界,包含训练损失、参数数量、损失函数的 Lipschitz 常数和权重与初始值的距离,且不受输入像素数和隐藏特征图的高度与宽度限制,最后与具体的实验结果进行对比。
May, 2019
本研究提出了关于深度学习的泛化误差的准则,介绍了一种基于边际似然的 PAC-Bayesian Bound 方法来预测泛化误差,并进行了广泛实证分析以评估该方法的效果和特性。
Dec, 2020
深度神经网络容易受到对抗性攻击的影响,本研究聚焦于鏈基于 PAC-Bayes 方法的基于范数复杂性,并提供了一种光谱正则化的鲁棒泛化边界,相比现有边界,该边界不依赖于额外假设且更加紧致,进一步将结果拓展到抵抗一般非 l_p 攻击和其他神经网络架构。
Oct, 2023
本文研究了过参数化的深层网络使用随机梯度下降法(SGD)能够良好推广的能力,提出了一种 PAC-Bayesian 框架,利用这种能力为原始网络提供界限,同时不会受到权重矩阵谱范数乘积的影响。
May, 2019
提出一种实用的 PAC-Bayes 训练框架,通过使用无需多重超参数调整的算法,结合 Stochastic Gradient Descent(SGD)或 Adam 优化算法和正则化技术等方法,实现了与常规方法相当的测试性能,同时实现了深度神经网络的鲁棒性和可解释性。
May, 2023
该论文基于 PAC-Bayesian 理论对具有二进制激活的多层神经网络进行了综合研究,并提供了一种端到端框架来训练这种网络以及一些关于二进制激活神经网络的泛化界限。在实际数据集上进行的大量数值实验显示,该方法的表现非常出色。
May, 2019