Convolutional Neural Networks: Estimating Relations in the Ising Model on Overfitting
Notice bibliographique
Résumé
A CNN (Convolutional Neural Network) is one of actively researched and broadly applied deep machine learning methods. A CNN is composed of a feed-forward neural network that takes in images as inputs, and outputs a probability value associated to a class that best describes the image. As well, it is constructed of multiple layers, which include convolutional, max-pooling and fully connected layers. However, the training set has a large influence on the accuracy of a network, and hence it is paramount to create a network architecture that prevents overfitting (when a trained model cannot differentiate newly input data from its test data) and underfitting (the inability of a model to find relationships among inputs). This paper addresses the above deficiencies by comparing the statistics of CNN image recognition algorithms to the Ising model. The Ising model consists of magnetic dipole moments that can be in one of two states: +1 or -1. Using a two-dimensional square-lattice array once a training set of such data is complete, we determine the impact that network parameters, specifically learning rate and regularization rate, have on the adaptability of convolutional neural networks for image classification. Our results not only contribute to a better theoretical understanding of a CNN, but also provide concrete guidance on preventing model overfitting and underfitting when a CNN is applied for image recognition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».