Статистические данные > Машинное обучение [представлено 12 октября 2026 года] Название: A Нелинейная теория времени для постоянного этапа SGD с Momentum View PDF HTML (экспериментальным) резюме: Константный стахатический градиентный спуск с импульсом (SGDM), усиливает рекурсию параметра, при котором происходит ускорение памяти прошлых стокастических градиетов. Мы изучаем эту совпадающую рекурсию как нелинейные временные ряды и разрабатываем рамки для ее стационарного поведения и пределов распределения. Совместный процесс параметр-моментум забывает о его инициализации геометрически под конечным моментом в размере $p > 1 долл., что дает уникальное стационарное причинно-следственное решение. При втором модификаторе это сокращение приводит к принципу инвариации, а для усредненного SGDM - сглаженному пределу Гауссии, в то время как анализ малых темпов обучения дает гаушийский предел на последний курс. В стохастической квадратной модели мы дополнительно изучим, как скорость инициализации соотносится с постоянной вариацией и усредненными колебаниями. Текущий контекст просмотра: stat.ML ссылки и цитаты Загрузка... Библиографический и цитационно-инструментальный библиолог (Что является Исследовательом?) Подключённые документы (что такое подсоединенные бумаги?) Litmaps (Литмпапс?) Skite Smart Citations (Каков умный цитаты?) Код, данные и средства массовой информации, связанные с этой статьей альфаXiv (какая буквенная клавиатура?) Катализированный код для документов (что представляет…
Нелинейная теория времени для постоянного этапа ДГР с моментом
arXiv: 2610.16034v1 Annulate Type: New Humber: Continent-step Stocastic Grienital snowment with Form (SGDM) увеличивает параметр рекурсии с импульсным состоянием, которое переносит геометрическое разложение памяти прошлых стохастических градиентов. Мы изучаем эту совпадающую рекурсию как нелинейные временные ряды и разрабатываем рамки для ее стационарного поведения и пределов распределения. Совместный процесс параметр-моментум забывает о его инициализации геометрически под конечным моментом в размере $p > 1 долл., что дает уникальное стационарное причинно-следственное решение. При втором модификаторе это сокращение приводит к принципу инвариации, а для усредненного SGDM - сглаженному пределу Гауссии, в то время как анализ малых темпов обучения дает гаушийский предел на последний курс. В стохастической квадратной модели мы дополнительно изучим, как скорость инициализации соотносится с постоянной вариацией и усредненными колебаниями.