La dynamique de transport des réseaux de neurones : un principe de moindre action pour l'apprentissage en profondeur
Bibliographic record
Abstract
Le point de vue dynamique des réseaux résiduels les considère comme étant analogues à un schéma d'Euler pour une équation différentielle ordinaire. Nous pouvons donc dire que les réseaux résiduels transportent les points d'entrée dans l'espace, le temps étant représenté par la profondeur du réseau. Ce point de vue a par exemple conduit à de nouvelles architectures inspirées d'autres schémas numériques pour les équations différentielles. D'autre part, un biais des réseaux résiduels en faveur de petites perturbations de l'entrée a été observé. Dans le contexte de la vue dynamique des réseaux résiduels mentionnée ci-dessus, ce biais signifie un penchant pour un faible coût de transport. Dans un premier article, nous vérifions expérimentalement que ce biais est bénéfique et devrait être encouragé, et nous montrons que contraindre le réseau à approximer une carte de transport optimale en régularisant son coût de transport améliore sa capacité de généralisation. Dans un deuxième article, nous montrons que l'application de cette régularisation de transport à des modules neuronaux successifs sans rétropropagation entre eux revient à suivre un flux de gradient pour minimiser la perte dans l'espace des distributions, améliorant ainsi les performances de l'entraînement par module. Dans un troisième article, nous proposons un détecteur d'attaques adverses basé sur la vue des réseaux résiduels en tant que systèmes dynamiques discrets, et montrons que la régularisation du transport facilite la détection des attaques adverses.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".