Jove
Visualize
Contáctanos
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

Videos de Conceptos Relacionados

Mean Absolute Deviation01:13

Mean Absolute Deviation

2.7K
The mean absolute deviation is also a measure of the variability of data in a sample. It is the absolute value of the average difference between the data values and the mean.
Let us consider a dataset containing the number of unsold cupcakes in five shops: 10, 15, 8, 7, and 10. Initially, calculate the sample mean. Then calculate the deviation, or the difference, between each data value and the mean. Next, the absolute values of these deviations are added and divided by the sample size to...
2.7K
Divergence and Stokes' Theorems01:06

Divergence and Stokes' Theorems

1.9K
The divergence and Stokes' theorems are a variation of Green's theorem in a higher dimension. They are also a generalization of the fundamental theorem of calculus. The divergence theorem and Stokes' theorem are in a way similar to each other; The divergence theorem relates to the dot product of a vector, while Stokes' theorem relates to the curl of a vector. Many applications in physics and engineering make use of the divergence and Stokes' theorems, enabling us to write...
1.9K
Improving Translational Accuracy02:07

Improving Translational Accuracy

11.8K
Base complementarity between the three base pairs of mRNA codon and the tRNA anticodon is not a failsafe mechanism. Inaccuracies can range from a single mismatch to no correct base pairing at all. The free energy difference between the correct and nearly correct base pairs can be as small as 3 kcal/ mol. With complementarity being the only proofreading step, the estimated error frequency would be one wrong amino acid in every 100 amino acids incorporated. However, error frequencies observed in...
11.8K
Maxwell-Boltzmann Distribution: Problem Solving01:20

Maxwell-Boltzmann Distribution: Problem Solving

1.7K
Individual molecules in a gas move in random directions, but a gas containing numerous molecules has a predictable distribution of molecular speeds, which is known as the Maxwell-Boltzmann distribution, f(v).
This distribution function f(v) is defined by saying that the expected number N (v1,v2) of particles with speeds between v1 and v2 is given by
1.7K
Dot Product: Problem Solving01:21

Dot Product: Problem Solving

430
The dot product is a powerful tool in problem-solving involving vectors, given that the dot product of two vectors is the product of their magnitudes and the cosine of the angle between them measured anti-clockwise. Solving problems involving the dot product requires understanding its properties and developing a step-by-step process to solve them. Here are the main steps to follow when solving any general problem involving the dot product:
Identify the problem: Start by reading the problem and...
430
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation01:24

One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation

706
This lesson introduces two critical methods in pharmacokinetics, the Wagner-Nelson and Loo-Riegelman methods, used for estimating the absorption rate constant (ka) for drugs administered via non-intravenous routes. The Wagner-Nelson method relates ka to the plasma concentration derived from the slope of a semilog percent unabsorbed time plot. However, it is limited to drugs with one-compartment kinetics and can be impacted by factors like gastrointestinal motility or enzymatic degradation.
On...
706

También podría leer

Artículos Relacionados

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

Ordenar por
Same author

[Scapular belt for the treatment of comminuted fractures of scapula].

Zhongguo gu shang = China journal of orthopaedics and traumatology·2010
Same author

Manipulation of ordered nanostructures of protonated polyoxometalate through covalently bonded modification.

Chemistry (Weinheim an der Bergstrasse, Germany)·2010
Same author

Developments in nonsteroidal antiandrogens targeting the androgen receptor.

ChemMedChem·2010
Same author

Dynamic presentation of immobilized ligands regulated through biomolecular recognition.

Journal of the American Chemical Society·2010
Same author

[Research on crop-weed discrimination using a field imaging spectrometer].

Guang pu xue yu guang pu fen xi = Guang pu·2010
Same author

A palladium/copper bimetallic catalytic system: dramatic improvement for Suzuki-Miyaura-type direct C-H arylation of azoles with arylboronic acids.

Chemistry (Weinheim an der Bergstrasse, Germany)·2010

Video Experimental Relacionado

Updated: Sep 9, 2025

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.2K

Métrica adaptativa para la destilación del conocimiento por divergencia profunda de Bregman

Tongtong Yuan1, Zixuan Xu2, Bo Liu1

  • 1Beijing University of Technology, China.

Neural networks : the official journal of the International Neural Network Society
|September 4, 2025
PubMed
Resumen

Este estudio introduce una nueva métrica de divergencia profunda de Bregman para la destilación del conocimiento (KD). Este enfoque adaptativo mejora la transferencia de conocimiento entre redes neuronales, superando a los métodos existentes en la compresión y el rendimiento del modelo.

Palabras clave:
Divergencia de BregmanClasificación de las imágenesDestilación del conocimientoAprendizaje métrico

Más Videos Relacionados

Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.3K

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.2K
Deep Neural Networks for Image-Based Dietary Assessment
13:19

Deep Neural Networks for Image-Based Dietary Assessment

Published on: March 13, 2021

9.3K

Área de la Ciencia:

  • Inteligencia artificial
  • Aprendizaje automático
  • Visión por computadora

Sus antecedentes:

  • La destilación del conocimiento (KD) permite desplegar modelos precisos y grandes en dispositivos con recursos limitados mediante el entrenamiento de modelos más pequeños y ligeros.
  • Los métodos de KD existentes a menudo tienen dificultades para transferir efectivamente el conocimiento de las redes de maestros a los estudiantes, especialmente en lo que respecta a las representaciones de la capa intermedia debido a las variaciones estructurales y distributivas.
  • Las métricas tradicionales para comparar representaciones de características carecen de adaptabilidad a las características heterogéneas de las redes neuronales profundas.

Objetivo del estudio:

  • Desarrollar un método de destilación del conocimiento más eficaz y sólido, abordando las limitaciones de las métricas tradicionales de comparación de características.
  • Proponer una métrica parametrizada y adaptativa para la transferencia de conocimiento que tenga en cuenta las variaciones en las distribuciones de características.
  • Mejorar las técnicas de destilación de conocimientos existentes, especialmente las centradas en salidas de probabilidad.

Principales métodos:

  • Introducción de una métrica parametrizada y adaptativa basada en la divergencia profunda de Bregman para la destilación del conocimiento.
  • La función de divergencia propuesta se aprende de los datos, lo que le permite adaptarse a las distribuciones de características subyacentes en diferentes capas y modelos.
  • El método está diseñado para complementar las técnicas KD existentes, funcionando como una mejora (x + Bregman) para la destilación de salida de probabilidad.

Principales resultados:

  • Los experimentos extensos demuestran que el método de divergencia profunda de Bregman propuesto supera significativamente los enfoques de destilación de conocimiento existentes.
  • El enfoque logra un rendimiento superior en diversos conjuntos de datos y diversas arquitecturas de red, validando su eficacia y robustez.
  • La métrica adaptativa captura con éxito las variaciones espaciales, semánticas y estadísticas entre las características de la red de maestros y estudiantes.

Conclusiones:

  • La métrica de divergencia profunda de Bregman propuesta ofrece una solución más eficaz y robusta para la destilación del conocimiento en comparación con los métodos tradicionales.
  • Este enfoque adaptativo facilita una mejor transferencia de conocimientos, lo que conduce a un mejor rendimiento en modelos ligeros.
  • La compatibilidad del método con otras técnicas de KD destaca su versatilidad y potencial para una amplia aplicación en la compresión de modelos.