Jove
Visualize
Contáctanos

Videos de Experimentos Relacionados

Algoritmos de regularización para el aprendizaje que son equivalentes a las redes multicapa.

T Poggio, F Girosi

    Science (New York, N.Y.)
    |February 23, 1990
    PubMed
    Resumen
    Este resumen es generado por máquina.

    Videos de Conceptos Relacionados

    También podría leer

    Artículos Relacionados

    Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

    Ordenar por
    Same author

    Correction: Excess of NPM-ALK oncogenic signaling promotes cellular apoptosis and drug dependency.

    Oncogene·2025
    Same author

    An analysis of training and generalization errors in shallow and deep networks.

    Neural networks : the official journal of the International Neural Network Society·2019
    Same author

    Response from sinha and poggio.

    Trends in cognitive sciences·2011
    Same author

    Multiclass cancer diagnosis using tumor gene expression signatures.

    Proceedings of the National Academy of Sciences of the United States of America·2001
    Same author

    Learning in brains and machines.

    Spatial vision·2001
    Same author

    Categorical representation of visual stimuli in the primate prefrontal cortex.

    Science (New York, N.Y.)·2001
    Same journal

    Erratum for the Research Article "Detecting supramolecular organic nanoparticles during heat wave".

    Science (New York, N.Y.)·2026
    Same journal

    Local signals, systemic decline.

    Science (New York, N.Y.)·2026
    Same journal

    The mechanics of liver regeneration.

    Science (New York, N.Y.)·2026
    Same journal

    Computing in a memory with physics.

    Science (New York, N.Y.)·2026
    Same journal

    Retraction.

    Science (New York, N.Y.)·2026
    Same journal

    Making time.

    Science (New York, N.Y.)·2026
    Ver todos los artículos relacionados
    JoVE
    x logofacebook logolinkedin logoyoutube logo
    ACERCA DE JoVE
    Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
    AUTORES
    Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
    BIBLIOTECARIOS
    TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
    INVESTIGACIÓN
    JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
    EDUCACIÓN
    JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
    Términos y Condiciones de Uso
    Política de Privacidad
    Políticas

    Este estudio demuestra la equivalencia entre las redes de regularización y las técnicas clásicas de aproximación como splines. Estas redes de regularización ofrecen una nueva perspectiva sobre la aproximación de funciones y el reconocimiento de patrones.

    Área de la Ciencia:

    • Aprendizaje automático Aprendizaje automático.
    • La inteligencia artificial es inteligencia artificial.
    • Las matemáticas computacionales.

    Sus antecedentes:

    • Las redes neuronales aprenden mapeos de entrada-salida, similares a las funciones multidimensionales aproximadas.
    • Este proceso de aprendizaje está relacionado con la reconstrucción de hipersuperficies y los métodos clásicos de aproximación.

    Objetivo del estudio:

    • Establecer una equivalencia teórica entre la regularización y una clase específica de redes neuronales.
    • Para explorar la relación entre estas redes, splines generalizadas y funciones de base radial.

    Principales métodos:

    • Desarrollar un marco teórico para vincular la teoría de la regularización con las redes neuronales de tres capas.
    • Analizar las propiedades de las redes de regularización y su conexión con las técnicas de aproximación existentes.

    Videos de Experimentos Relacionados

    Principales resultados:

    • Equivalencia demostrada entre la regularización y las redes de regularización (funciones de hiperbase).
    • Se estableció que estas redes son equivalentes a splines generalizadas y se relacionan con las funciones de base radial.
    • Proporcionó una interpretación de estas redes en términos de prototipos sintetizados y combinados de manera óptima.

    Conclusiones:

    • Las redes de regularización proporcionan un marco unificado que conecta el aprendizaje de la red neuronal con la teoría de aproximación clásica.
    • Estas redes ofrecen nuevos conocimientos sobre las tareas de aproximación de funciones, interpolación y reconocimiento de patrones.
    • La interpretación basada en prototipos mejora la comprensión del proceso de aprendizaje en estas redes.