对角化费舍尔信息矩阵估计的权衡
本文通过神经动力学方法研究随机连接网络中的 Fisher 信息矩阵,证明了其为逐元素块对角矩阵并附带少量非块对角元素小量项,为 Y. Ollivier 的准对角自然梯度法提供了理论依据,并成功地推导出 Fisher 信息的逆矩阵,从而得到了显式的自然梯度形式,极大地加速了随机梯度学习。
Aug, 2018
研究发现:在计算深度神经网络(DNNs)的特性时,用 Fisher 信息矩阵(FIM)是一个普遍存在的策略。我们使用随机权重和大宽度限制来研究 FIM 的渐近统计特性,并证明说大部分特征值接近于零,而其中的最大特征值则取一个巨大的值。此外,我们探讨了这些新的统计特征数字在学习策略中的潜在使用,即可以量化估算出适当的学习率和我们的广义能力测量的基础。
Jun, 2018
本文研究了 Fisher 信息矩阵以及其在深度神经网络中的特性,发现其存在尺度依赖性,具有病态的特征值谱,本研究提供了 FIM 和其变体的统一视角,以便更深入地理解大规模深度神经网络对学习的作用。
Oct, 2019
本研究提出了描述在局部差分隐私限制下,统计样本的费舍尔信息如何随隐私参数 ϵ 缩放的数据处理不等式,证明了这些不等式对于所有隐私水平 ϵ>0 的高斯位置模型和离散分布估计都具有高阶匹配的平方ℓ2 误差的隐私机制和估计器。
May, 2020
提出了一种基于 Fisher Information-based 的 Evidential Deep Learning 方法,该方法通过测量样本携带的信息量动态地重新加权目标损失项,使网络更专注于不确定类别的表示学习,在多个数据不确定性评估任务中具有更好的性能表现,特别是在更具挑战性的 few-shot 分类环境下。
Mar, 2023
该论文提出了一种综合利用 Fisher 信息矩阵(Fisher Information Matrix)的端到端黑盒系统识别方法,以获得对动态重要性和整体模型结构的洞察。该方法通过在网络的第一层添加决策模块,并使用完整的 FIM 作为输入来确定相关性得分。然后,在输入和相关性得分的逐元素乘法上执行向前传播。仿真结果表明,该方法有效捕捉各种类型的动态之间的相互作用,优于现有方法的多项式相互作用限制。此外,该新方法在识别现实世界的工业系统,特别是 PH 中和过程方面的应用中的有效性得到了确认。
Jun, 2024
本文提出了一种新颖的基于 $f$-divergence 变分表示的识别互信息估计器,并在基准情景下进行的实验表明,该方法在准确性和复杂性方面优于现有的神经估计器。
May, 2023