OpenAI ค้นพบปรากฏการณ์ double descent เชิงลึกในการเรียนรู้เชิงลึก
หัวข้อต้นฉบับ:Deep double descent
สรุปโดย AI
OpenAI รายงานว่าปรากฏการณ์ double descent พบได้ทั่วไปใน CNN, ResNet และ transformers โดยเมื่อขนาดโมเดล ปริมาณข้อมูล หรือเวลาในการฝึกอบรมเพิ่มขึ้น ประสิทธิภาพจะดีขึ้นก่อน แย่ลง แล้วดีขึ้นอีกครั้ง ผลกระทบนี้มักหลีกเลี่ยงได้ด้วยการทำ regularization อย่างระมัดระวัง ผู้เขียนระบุว่าสาเหตุยังไม่เป็นที่เข้าใจอย่างเพียงพอ และจัดเป็นทิศทางการวิจัยที่สำคัญ
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- OpenAI:官网动态(RSS · 排除企业/客户案例)
- หมวดหมู่
- บทความและงานวิจัย
- คะแนน AI
- 60
原文指出模型规模、数据量或训练时间增大时性能先降后升的普遍现象,并把它列为值得进一步研究的方向。
เอนทิตีที่เกี่ยวข้อง
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: OpenAI ค้นพบปรากฏการณ์ double descent เชิงลึกในการเรียนรู้เชิงลึก 5 ธันวาคม 2019 https://new.nat6.net/th/news/g3wsst0c4ve4trvbvw1qw9ooc/