Mixup:Beyond Empirical Risk Minimization
Abstract 大規模神經網絡功能很強大，但是顯現出了不如預期的一些表現，例如對攻擊樣本的記憶力與敏感度。本文中，我們提出了一種緩解issues的學習原則稱爲mixup。總的來說，mixup通過對樣本對及標籤進行凸融合來訓練深度神經網絡。這樣使得神經網絡在訓練任務調整成爲它最擅長的簡單線性學習。我們在ImageNet-2012，CIFAR-10，CIFAR-100，Google commad
相關文章
- 1. mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 2. ICLR2018_mixup: Beyond Empirical Risk Minimization
- 3. 【論文閱讀】mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 4. 【深度學習】Mixup: Beyond Empirical Risk Minimization
- 5. structural risk minimization
- 6. [深度學習論文筆記][ICLR 18]mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 7. 機器學習理論 之 經驗風險最小化（Empirical Risk Minimization）
- 8. 經驗風險最小化(Empirical Risk Minization,ERM)
- 9. 結構風險最小化(Structural Risk Minimization, SRM)
- 10. The Differences between Risk Management, Risk Assessment, and Risk Analysis
- 更多相關文章...
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 2. ICLR2018_mixup: Beyond Empirical Risk Minimization
- 3. 【論文閱讀】mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 4. 【深度學習】Mixup: Beyond Empirical Risk Minimization
- 5. structural risk minimization
- 6. [深度學習論文筆記][ICLR 18]mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 7. 機器學習理論 之 經驗風險最小化（Empirical Risk Minimization）
- 8. 經驗風險最小化(Empirical Risk Minization,ERM)
- 9. 結構風險最小化(Structural Risk Minimization, SRM)
- 10. The Differences between Risk Management, Risk Assessment, and Risk Analysis