Статистические данные > Машинное обучение [представлено 12 мая 2026 года v1), последнее пересмотренное 8 октября 2026 (эта версия, v3)] Название: Seeping Score: Adventive, Tunning-Free Uswalthing for Scoor-Augmented Neural parension View PDF HTML (экспериментальное) резюме. Для структурированных моделей, где имеется точный балл $nabla_theta log p(x mid тета)$, эта информация может быть включена в программу обучения путем увеличения потерь по перекрестной связи с термином "оценки". Однако оптимальный вес этих двух потерь не известен a priori, и выбор его вручную требует дорогостоящей корректировки, которая снижает экономию по расчетам. Мы предлагаем адаптивный, свободный от настройки алгоритм, который устанавливает весовые показатели потерь в ходе обучения на основе градиентов потерь и добавляет минимальные накладные расходы к стандартной подготовке классиков. Мы оцениваем наш подход к тематическим исследованиям, связанным с динамикой сетей и пространственным процессом, демонстрируя при этом, что он повышает качество суррогатных работ при резко более низких вычислительных затратах по сравнению с получением большего объема данных о профессиональной подготовке. В частности, в некоторых случаях наш подход позволяет сделать вывод о результативности работы на более низком уровне, что эквивалентно 10-х увеличению данных об обучении при меньшем объеме времени, составляющем 1,1 x. История представления: Александр Шен [по электронной почте] [v1] Tue, 12 мая 2026 13:34:30 UTC (1 630…
Сохранять счет: Адаптивная, свободная от потери на основе веса для оценки Neural atreaty (коэффициент оценки)
arXiv:2605.12118v3 Вид уведомления: заменить резюме: суррогаты нейронной вероятности (например, оценка неврологического соотношения) для моделей стохастического процесса обычно обучаются на основе вероятностной классификации имитируемых данных, что приводит к компромиссу между качеством замены и расходами на обучение. Для структурированных моделей, где имеется точный балл $nabla_theta log p(x mid тета)$, эта информация может быть включена в программу обучения путем увеличения потерь по перекрестной связи с термином "оценки". Однако оптимальный вес этих двух потерь не известен a priori, и выбор его вручную требует дорогостоящей корректировки, которая снижает экономию по расчетам. Мы предлагаем адаптивный, свободный от настройки алгоритм, который устанавливает весовые показатели потерь в ходе обучения на основе градиентов потерь и добавляет минимальные накладные расходы к стандартной подготовке классиков. Мы оцениваем наш подход к тематическим исследованиям, связанным с динамикой сетей и пространственным процессом, демонстрируя при этом, что он позволяет повысить качество суррогатных работ на резко низком уровне.