Bilanz der Quelle: Die Toronto Gruppe unter Geoffrey Hinton bringt Dropout vor: während der Lernprozess wird die Hälfte der Feature Detectors zufällig ausgeschaltet, um Co-adaptationen zu vermeiden und das Overfitting zu reduzieren. Das Paper erzielt neue Records für Sprech- und Objekterkennung und Dropout wurde zu einem Standard-Regulierer im Deep Learning-Era.
🔗 Im Original weiterlesen → · 🗃 Wayback Machine (Archiv)
ℹ️ KI-Hinweis
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
Die Inhalte dieses Artikels wurden automatisiert mittels Künstlicher Intelligenz generiert. Die zugrundeliegenden Daten stammen von arxiv.org. Es erfolgte keine manuelle redaktionelle Bearbeitung.
