关键词regularization methods
搜索结果 - 31
- 利用高相关特征进行预测
本文旨在通过考虑在测试期间输入特征的分布发生偏移并表现出低相关性来评估现有的鲁棒特征学习方法和正则化方法的效果，比较它们与设计用于捕捉训练集中高相关特征的基线方法的差异，并在设计的 C-MNIST 数据集上进行了验证。
- ICLR一种简单有效的正则化方法，用于携带有泛化保证的嘈杂标签数据的训练
探讨在有噪声标签的情况下，过度参数化的深度神经网络的正则化方法，其中比较有效的包括参数与初始化之间的距离和为每个训练示例添加一个可训练的辅助变量，实验结果表明这些方法能够有效提高模型的泛化性，并且泛化误差的上界独立于网络的大小，可达到无噪声 - ICLRDELTA: 使用带特征映射注意力机制的深度学习迁移卷积网络
本研究提出了一种新的正则化转移学习框架 DELTA，与现有基线算法相比，DELTA 通过特征映射对齐来保持目标网络的外层输出，使用注意力有效选择相关特征，实现了更高的准确性。
- ICCV全卷积像素自适应图像去噪器
本文介绍了一种新的图像去噪算法 —— 全卷积自适应图像去噪器 (FC-AIDE)，它能够学习离线监督训练集的全卷积神经网络，以及针对每个给定的噪声图像进行自适应微调。我们利用全新的全卷积架构提高了基础监督模型，并引入正则化方法进行自适应微调 - 逆问题的现代正则化方法
本文综述了现代非线性正则化方法的发展，包括变分方法、图像处理和学习理论等，重点讨论其分析、应用和未来研究问题。
- 平衡、回归、差异中的差别和合成控制方法：综合
本文提出了一种基于合成控制的治疗效果估计方法的加权平均的一般化模型，其中权重可以为负且总和不为一，通过正则化方法解决可能存在的大量可能的对照组。
- 特征筛选与选择的交互式学习
本文提出了一种被称为交互追踪（IP）的有效和灵活的程序，用于在超高维度下识别交互作用，其屏蔽交互作用和主效应的新特征筛选方法以及使用正则化方法在减少特征空间中选择重要交互作用和主效应，我们对其进行了理论上的讨论并证明了适用于交互作用和主效应 - 关于复值卷积神经网络
本文介绍了使用复数输入和权重构造卷积神经网络（CNN）的变形模型，以及提出的正则化方法解决训练 CNN 中的一些问题和困难，通过与真实 CNN 进行比较并应用于细胞检测问题进行实证验证，表明复杂模型比真实模型更不易过拟合且可检测出数据的有意 - NIPS使用循环神经网络检测疑问句
研究如何通过比较多种神经网络、正则化方法和上下文函数的效果，来预测说话者是在提问还是发表陈述，并通过多模态数据集验证模型效果。
- 结构化稀疏学习
本文研究了一种新的学习方法 —— 结构稀疏学习，它是统计学习和压缩感知标准稀疏概念的自然扩展，通过允许特征集合上的任意结构，该概念推广了近年来流行的组稀疏思想。文中提出了一种基于结构编码复杂度的学习结构稀疏的通用理论。如果目标信号的编码复杂 - 何时有表示定理？向量与矩阵正则化器的比较
本文针对一类基于线性测量学习参数的正则化方法进行研究，并证明了正则化参数是内积的非递减函数的基础上所学习的向量为输入数据的线性组合，从而完成了基于正则化的核方法的特征化。此外，本文还将分析扩展到了学习矩阵的正则化问题，并得出了适用于更大类别