Mixup:Beyond Empirical Risk Minimization
Abstract 大规模神经网络功能很强大，但是显现出了不如预期的一些表现，例如对攻击样本的记忆力与敏感度。本文中，我们提出了一种缓解issues的学习原则称为mixup。总的来说，mixup通过对样本对及标签进行凸融合来训练深度神经网络。这样使得神经网络在训练任务调整成为它最擅长的简单线性学习。我们在ImageNet-2012，CIFAR-10，CIFAR-100，Google commad
相关文章
- 1. mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 2. ICLR2018_mixup: Beyond Empirical Risk Minimization
- 3. 【论文阅读】mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 4. 【深度学习】Mixup: Beyond Empirical Risk Minimization
- 5. structural risk minimization
- 6. [深度学习论文笔记][ICLR 18]mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 7. 机器学习理论 之 经验风险最小化（Empirical Risk Minimization）
- 8. 经验风险最小化(Empirical Risk Minization,ERM)
- 9. 结构风险最小化(Structural Risk Minimization, SRM)
- 10. The Differences between Risk Management, Risk Assessment, and Risk Analysis
- 更多相关文章...
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 2. ICLR2018_mixup: Beyond Empirical Risk Minimization
- 3. 【论文阅读】mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 4. 【深度学习】Mixup: Beyond Empirical Risk Minimization
- 5. structural risk minimization
- 6. [深度学习论文笔记][ICLR 18]mixup: BEYOND EMPIRICAL RISK MINIMIZATION
- 7. 机器学习理论 之 经验风险最小化（Empirical Risk Minimization）
- 8. 经验风险最小化(Empirical Risk Minization,ERM)
- 9. 结构风险最小化(Structural Risk Minimization, SRM)
- 10. The Differences between Risk Management, Risk Assessment, and Risk Analysis