‹ arXiv cs.LG

超越核机制的连续分类:利用对角线性网络中 L2 正则化的稀疏性偏差

原文:Continual Classification Beyond the Kernel Regime: Harnessing the Sparsity Bias of L2 Regularization in Diagonal Linear Networks

arXiv cs.LG 未缓存正文

我们研究逻辑回归,以便在高维统计环境中使用线性预测变量进行持续学习。现有的理论工作主要集中在具有 L2 正则化变体的连续线性回归上,其动机是分析简单性以及与神经网络内核机制的连接。我们首先推导连续线性的最佳 L2 正则化强度

正在把原文抓到本机服务器…首次约 3~8 秒,抓好后本站永久缓存,下次秒开。

抓不到时可直接看原文(部分站点需要登录/反爬,服务器也无法抓取)。

打开原文 ↗

正文由本站服务器抓取保存(已自动过滤广告、推荐位与追踪图片),排版与原站可能不同;版权归原站所有。

相关报道同一事件 / 同分类