现代机器学习有两个明显的特点:它可以非常强大,也可以非常脆弱。前者不需要赘述。后者指的是现代机器学习算法的性能敏感地依赖于超参数的选择。这个演讲集中在机器学习的连续公式是“适定的”。我们将机器学习和相关的优化过程描述为表现良好的变分问题和类偏微分问题,并证明一些最流行的现代机器学习算法可以作为这些连续问题的离散化恢复。实验结果表明,该方法对不同的超参数选择具有更强的鲁棒性。我们还讨论了如何在这个框架下开发新的算法。

成为VIP会员查看完整内容
23

相关内容

【ICML2020Tutorial】机器学习信号处理,100页ppt
专知会员服务
100+阅读 · 2020年8月15日
【MLSS2020】最新《深度学习基础》视频讲解,42页ppt
专知会员服务
41+阅读 · 2020年8月5日
非凸优化与统计学,89页ppt,普林斯顿Yuxin Chen博士
专知会员服务
88+阅读 · 2020年6月28日
少标签数据学习,54页ppt
专知会员服务
171+阅读 · 2020年5月22日
对比自监督学习
深度学习自然语言处理
33+阅读 · 2020年7月15日
基于人体骨架的行为识别【附PPT与视频资料】
人工智能前沿讲习班
31+阅读 · 2019年1月15日
一文读懂神经网络(附PPT、视频)
数据派THU
13+阅读 · 2018年3月25日
Arxiv
16+阅读 · 2019年3月28日
q-Space Novelty Detection with Variational Autoencoders
Arxiv
19+阅读 · 2018年6月27日
VIP会员
相关主题
相关VIP内容
【ICML2020Tutorial】机器学习信号处理,100页ppt
专知会员服务
100+阅读 · 2020年8月15日
【MLSS2020】最新《深度学习基础》视频讲解,42页ppt
专知会员服务
41+阅读 · 2020年8月5日
非凸优化与统计学,89页ppt,普林斯顿Yuxin Chen博士
专知会员服务
88+阅读 · 2020年6月28日
少标签数据学习,54页ppt
专知会员服务
171+阅读 · 2020年5月22日
微信扫码咨询专知VIP会员