Компьютерная наука > Машинное обучение [представлено 15 сентября 2026 года] Название: To же поток, различные пути: Сокращение разницы в просмотре потока HTML (экспериментальный) Резюме: В совпадении потоков (FM), модель скорости v_ { тета}$ тренируется с использованием заранее предопределённого трасса $g_t долл., который соединяет данные и образцы шума (например, $ g_t(x_0, x_1) = (1 - t) x_0 + t x_ 1 долл. США). В этой работе мы изучаем выбор этого пути с точки зрения оптимизации путем анализа вариаций стохастических градиентов. Мы рассматриваем класс $G(p_t,v>star_t) долларов трассы, которые вызывают одинаковые маргинальные распределения $p=t долл. и маргинальное поле скорости v\star _t$, и поэтому ту же цель FM. Наш главный вывод заключается в том, что выбор трассы $g_t долл. может коренным образом изменить скорость конвергенции SGD даже тогда, когда цель FM остается точно такой же. i) Для линейной модели скорости и одномерных Гауссианских данных мы вычисляем тесную связь между сложностью итерации SSD до логарифмических факторов и найдем оптимальную аналитически оптимистичную траекторию, которая сведет к минимуму эту связь между линейными путями, создающими ту же самую проблему FM. ii) Затем мы распространим анализ дисперсии на общие проблемы FM и сформулируем выбор пути по фиксированному курсу $ тета долларов как проблема с минимизацией разницы pathopt$_thata$, ограниченная $ g=tin G(p_t,v>star_t). Мы показываем, что это ограничение имеет важное значение: сокращение…
Один и тот же поток, различные пути: уменьшение зависимости при сопоставлении потоков
arXiv:2609.17287v1 Annualce Type: New Brieflow: In From Group Compliance (FM) — модель скорости v_ {theta}$ тренируется с использованием заранее определенного пути g_t долл., соединяющего данные и образцы шума (например, $g_t(x_0 x_1), = (1 - t), x_0 + t x_ 1 долл.). В этой работе мы изучаем выбор этого пути с точки зрения оптимизации путем анализа вариаций стохастических градиентов. Мы рассматриваем класс $G(p_t,v>star_t) долларов трассы, которые вызывают одинаковые маргинальные распределения $p=t долл. и маргинальное поле скорости v\star _t$, и поэтому ту же цель FM. Наш главный вывод заключается в том, что выбор трассы g_t$ может коренным образом изменить скорость конвергенции SGD даже тогда, когда цель FM остается точно такой же. i) Для модели линейной скорости и одномерных данных Гауссианцев мы вычисляем тесную связь с сложностью итерации SGД до логарифмических факторов и найдем оптимистичный аналитический путь, который сводит к минимуму эту связь между линейными путями, приводящими к одной и той же проблеме FM. ii) Затем мы продлим анализ разницы до g