关键词optimization guarantees
搜索结果 - 3
- 基于损失梯度高斯宽度的泛化和优化保证
通过 Loss Gradient Gaussian Width (LGGW) 的复杂度度量,我们提出一种直接基于 LGGW 的泛化保证方法,在梯度支配条件下实现,其在深度模型中进行实证研究并证明其有效性。同时,我们展示了有限和优化的样本重用 - 排名限制与低秩分解的临界点之间的等价性
本文研究了低秩优化问题中矩阵变量秩约束和低秩分解优化方法的自然联系,证明了低秩分解目标函数的所有二阶稳定点对应于原问题上投影梯度下降算法的不动点,并统一了现有的优化保证,为某些情况下特定的问题提供了新结果。最后,将结果应用于矩阵逆问题。
- ICML深度卷积神经网络的泛化和优化性能理解
本文理论分析卷积神经网络(CNN)的泛化性能、梯度下降训练算法的优化保证,证明了 CNN 的泛化误差由自由度和体系结构参数决定,并证明了梯度下降算法的近似稳定点是人口风险的近似稳定点,保证了 CNN 的良好泛化性能。