Yann LeCun团队最新论文：插值几乎从未发生在高维数据集上

OneFlow深度学习框架

企业官方账号

2021-10-21 09:31:00

#Yann LeCun团队最新论文：插值几乎从未发生在高维数据集上# Facebook AI 和纽约大学研究人员挑战了#机器学习# 中关于插值的传统观点，他们认为插值/外推和泛化性能没有研究人员以前认为那样有紧密联系。他们的结论是，无论数据流形的潜在内在维度如何，插值几乎肯定不会发生在高维（> 100）空间中。论文：https://arxiv.org/abs/2110.09485

...全文

480 1 打赏收藏转发到动态举报

写回复

1 条回复

切换为时间正序

请发表友善的回复…

发表回复

CSDN-Ada助手 2023-01-13

打赏
举报

回复

您可以前往 CSDN问答-人工智能发布问题, 以便更快地解决您的疑问

大名鼎鼎的深度学习之父Yann LeCun曾评价GAN是“20年来机器学习领域最酷的想法”。的确，GAN向世人展示了从无到有、无中生有的神奇过程，并且GAN已经在工业界有着广泛的应用，是一项令人非常激动的AI技术。今天我将和大家一起去了解GAN及其内部工作原理，洞开GAN的大门。本文尽量用浅显易懂的语言来进行表述，少用繁琐的数学公式，并对几个典型的GAN模型进行讲解。一、GAN(Gen...

每天给你送来NLP技术干货！本文转载自：新智元来源：arXiv编辑：LRS【导读】长久以来一个观点就是在测试集上表现更好的模型，泛化性一定更好，但事实真是这样吗？LeCun团队最近发...

MNIST手写数字数据集是图像识别领域中最经典的数据集之一，广泛应用于机器学习和深度学习的研究与教学。它由Yann LeCun等人于20世纪90年代整理，包含70,000张28×28像素的手写数字灰度图像，像素值范围为0到255，代表不同的灰度强度。数据集分为训练集（60,000张）和测试集（10,000张），结构清晰、标注准确，是评估分类算法性能的基准数据集。其图像内容为0到9的手写数字，适用于监督学习中的多分类任务。在传统机器学习中，MNIST常用于测试SVM、KNN、随机森林等算法；

https://www.jiqizhixin.com/articles/2019-06-13-11 大名鼎鼎的深度学习之父Yann LeCun曾评价GAN是“20年来机器学习领域最酷的想法”。的确，GAN向世人展示了从无到有、无中生有的神奇过程，并且GAN已经在工业界有着广泛的应用，是一项令人非常激动的AI技术。今天我将和大家一起去了解GAN及其内部工作原理，洞开GAN的大门。本文尽量...

Yann LeCun 也对他们的研究表示了认可：「我们知道，当使用自监督学习训练视觉编码器时，使用具有重构损失的解码器的效果远不如使用具有特征预测损失和崩溃预防机制的联合嵌入架构。我们知道，在生成高维视觉数据方面，基于去噪的生成模型（如扩展模型和基于流的模型）的表现非常好，已经得到了广泛应用。对于语义差距，他们比较了使用 DINOv2 特征的线性探测结果与来自 SiT 模型（训练了 700 万次迭代）的线性探测结果，采用的协议涉及到对扩散 Transformer 的全局池化的隐藏状态进行线性探测。

OneFlow深度学习框架

222

社区成员

261

社区内容

发帖

与我相关

我的任务

学习其他企业社区

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章