广告
顺义阿玛里;自然梯度在学习中有效。神经计算1998; 10 (2): 251–276. 数字对象标识:https://doi.org/10.1162/08997669830017746
下载引文文件:
当参数空间具有某种潜在结构时,函数的普通梯度并不代表其最陡峭的方向,而自然梯度则代表其最陡的方向。信息几何用于计算感知器参数空间、矩阵空间(用于盲源分离)和线性动力系统空间(用于盲源反褶积)中的自然梯度。分析了自然梯度在线学习的动力学行为,并证明了其Fisher有效性,这意味着它具有与参数的最优批估计渐近相同的性能。这表明,在多层感知器的反向传播学习算法中出现的平台现象,在使用自然梯度时可能会消失或不那么严重。提出并分析了一种自适应更新学习速率的方法。
Captcha验证错误。请重试。
登录或创建帐户