复制理论表明深度神经网络的想法是相似的

你怎么知道你正在看一只狗?你是对的几率有多大?如果你是一个机器学习算法，你会筛选数千张图像和数百万个概率，以得出“真实”答案，但不同的算法会采取不同的路线来到达那里。

康奈尔大学和宾夕法尼亚大学的研究人员合作找到了一种方法来分析大量数据，并表明最成功的深度神经网络在同一“低维”空间中遵循类似的轨迹。

“有些神经网络采取不同的路径。它们以不同的速度运行。但令人惊讶的是，它们都以相同的方式运行，”康奈尔大学团队的领导者、艺术与科学学院的物理学教授詹姆斯·塞斯纳(James Sethna)说。

该团队的技术有可能成为确定哪些网络最有效的工具。

该小组的论文“许多深度网络的训练过程探索相同的低维流形”发表在《美国国家科学院院刊》上。主要作者是宾夕法尼亚大学的毛家林。

该项目源于凯瑟琳·奎因 (Katherine Quinn) 开发的一种算法，该算法可用于对大型概率数据集进行成像并找到最基本的模式，也称为取零数据的极限。

塞斯纳和奎因之前曾使用这种“复制理论”来梳理宇宙微波背景数据，即宇宙早期留下的辐射，并根据不同宇宙的可能特征绘制出我们宇宙的质量。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！