Design and Validation of Optimizer Parameter Critical Conditions via Coupled Transfer Functions and Phase Trajectories
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The design of optimizer parameters affects model performance and is widely applied in fields such as image analysis, autonomous driving, and security monitoring. However, the interpretability and generalizability of optimizers are insufficient, limiting their practical applications. To address these challenges, we introduce a novel approach using transfer function and phase trajectory methods to design the parameters and critical conditions for Stochastic Gradient Descent with Momentum (SGD-M) and Nesterov Accelerated Gradient (NAG). The proposed theory is verified through numerical examples and image recognition experiments. First, using the phase trajectory method, a qualitative analysis of the responses of SGD-M and NAG to initial states is conducted, revealing the influence of parameters on the phase trajectory. Then, through the transfer function method, a quantitative analysis of the unit step response of SGD-M and NAG is performed to explain the impact of parameters on system response. Finally, numerical examples and image recognition experiments verify the significant impact of the momentum control parameter g(μ) and momentum parameter α on optimizer performance, stability, and time-domain characteristics. Experimental results show that adjusting g(μ) or α improves image classification accuracy on the Modified National Institute of Standards and Technology (MNIST) and Canadian Institute for Advanced Research (CIFAR-10) datasets. It reduces the loss value, validating the effectiveness of the proposed theory.
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.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découle