Bilanz der Quelle: Ein neues Forschungsbeitrag zeigt, dass Deep Neural Networks (DNNs) nicht nur graphische Symmetrien (Fibrations und Coverungen) lernen, sondern auch diese Attraktoren des SGD (Stochastic Gradient Descent) als stabile Attraktoren. Dies reduziert die Größe der DNNs auf 17% der Originalgröße und ermöglicht es, die Plastizität durch Symmetrisierung zu überwinden, was die Auslastung von DNNs verbessert.
🔗 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.
Kalina Digest unterstützen
Lesen bleibt frei. Wer mag, gibt etwas zurück — ab 1 € einmalig, oder als Stufe für einen Monat, ein Quartal oder ein Jahr. Bisher: 5.00 € aus 1 Beiträgen.
