200000، وهو العدد الإجمالي للمستخدمين من جديد تشى يوان اليوم لتحقيقه. في الكون من رحلة الطيران الذكية، وأشكر كل ويرافق كل تشى يوان جديد عن طريق صديق. الاهتمام الخاص والدعم "رقم جديد جي وون" ستار الوقود لا ينضب.
المؤتمر الدولي للتعلم آلة الباحثين (ICML) الفيسبوك AI عقد في سيدني، أستراليا قدمت هذا الأسبوع أحدث نتائج أبحاثهم على. مؤتمر دولي الرائدة في العالم على آلة التعلم ICML يجمع والصناعة عبر والباحثين الأكاديميين، وتوسيع التبادل الدولي للمعلومات.
نشرت الفيسبوك في مجموع ICML الحالي من تسع ورقات تغطي موضوع النمذجة اللغة، والموضوعات الأمثل والصور التعلم غير خاضعة للرقابة. وبالإضافة إلى ذلك، الفيسبوك الفريق أيضا تنظيم لعبة فيديو والتعلم الآلي (VGML) ورشة عمل (ورشة عمل).
في تسع ورقات، الفيسبوك أدخلت عمدا WGAN أنها أثار ضجة كبيرة العام الماضي.
WGAN: حل مشكلة عدم الاستقرار، وتحسين التدريب GAN
المادة المقترحة WGAN الاسم الكامل "المولدة شبكات اسرشتاين الخصومة"، والفيسبوك والباحث في جامعة نيويورك مارتن Arjovsky، Soumith Chintala وشارك في تأليف أكمل ليون Bottouu، اقترح نهج بديل وتحسين GAN التدريب التقليدي، واسمه اسرشتاين GAN.
في حين شبكة توليد المواجهة (GAN) غير خاضعة للرقابة في التعلم للخروج من قدرة قوية، ولكن بسبب التقارب العددي غير مستقر، في خوارزمية ممارسة التدريب GAN غالبا ما تكون صعبة الاستخدام. هنا، اقترح الباحثون استخدام الأرض موبايل (EM) المسافة التقريبية إلى وظيفة الهدف بدلا من GAN. من خلال المسافة احتمال المشتركة والاختلافات عند مقارنة المسافة EM والتعلم توزيعها، وقد أثبتت الباحثين موثوقية للقيام بذلك، ومن ثم تحديد اسرشتاين GAN (WGAN)، WGAN يمكن أن تقلل مريحة EM المسافة التقريبية ويمكن القضاء على GAN عدة عملية التدريب المشكلات المعروفة.
FIG ورقة 2: 8 طرق مختلفة للتعلم نتائج توزيع جاوس: WGAN يمكن توزيعها دون أن تعلم حالة انهيار الوضع.
وWGAN ميزة الرئيسي هو تمكين الباحثين من الناقد التدريب الكامل. عندما التدريب هو الناقد النهائي، مولد العطاء ينتج خسارة. الناقد نوعية أفضل وأعلى التدرج تستخدم لمولد القطار. هذا يلغي الحاجة إلى تحقيق التوازن بين مولد الممي وعملية التدريب معقدة لصقل GAN. ولاحظ الباحثون أيضا أنه عندما تعديل الهيكل مولد الامتثال لشروط معينة، أعلى WGAN قوية من GAN.
WGAN المكان الأكثر جاذبية من الناحية العملية عن طريق الاستفادة المثلى الناقد في مجال التدريب، وتعمل باستمرار على تقييم المسافة EM. منذ ترتبط ارتباطا وثيقا عينة نوعية لاحظ هذه العناصر، لذلك نحن رسم منحنى التعلم مفيد جدا من أجل التصحيح ومصطلحات البحث فائقة المعلمة.
أطروحة 4: منحنى التدريب وعينات من مرحلة التدريب المختلفة. يمكننا أن نرى أن هناك علاقة واضحة بين ارتفاع خطأ العينة جودة وأقل
الفيسبوك على ICML 20179 ورقات
ارتفاع الأبعاد انخفاض الفروق-الاستوكاستك التدرج التوقع-تعظيم خوارزمية
Rongda تشو، Lingxiao وانغ، تشينجكسيانج تشاي، Quanquan قو
صيغة تحليلية لالتدرج سكان لشبكة ReLU الطبقات يومين وتطبيقاتها في التقارب وتحليل نقطة حرجة
Yuandong تيان
التلافيف تسلسل إلى تسلسل التعلم
جوناس Gehring، مايكل Auli، ديفيد Grangier، دينيس Yarats، يان دوفين
تقريب softmax فعالة لوحدات معالجة الرسومات
إدوارد خطير، أرماند Joulin، مصطفى سيسي، ديفيد Grangier، هيرفي Jgou
التدرج عزز الأشجار قرار العليا للناتج متناثر الأبعاد
سي سي، هوان تشانغ، Sathiya كيرثي، الثمن في سعي ماهاجان، إنديرجيت ديلون، تشو جوي هسيه
لغة النمذجة مع شبكات التلافيف عن طريق بوابة
يان دوفين، أنجيلا فان، مايكل Auli، ديفيد Grangier
شبكات Parseval: تحسين متانة لالخصومة أمثلة
مصطفى Cissem، بيوتر Bojanowski، إدوارد القبر
التعلم غير خاضعة للرقابة من قبل توقع الضوضاء
بيوتر Bojanowski، أرماند Joulin
شبكات الخصومة المولدة اسرشتاين
مارتن Arjovsky، Soumith Chintala، ليون بوتو
انقر هنا لقراءة المقال الأصلي لمعرفة التفاصيل، ونأمل أن تتمكن من الانضمام ~