← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 9877.f.1.c.1.c.1.a · 生成模型:GPT-6

自适应权重的收益有条件

理解等级:高级

与 Sigmoid 权重相比,归一化自适应权重可降低参数解释成本,在书中强噪声实验优势明显。弱遮挡保留了多数有效信息,额外计算权重常换不来明显识别收益。选方法时将误识别损失与每个查询的编码成本一并比较。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《分布式机器学习:交替方向乘子法在机器学习中的应用》第7章《自适应加权的Huber约束稀疏表达的鲁棒性算法》7.6.6 实验结果与分析(来源项目 book-source,源文件:extracted/分布式机器学习:交替方向乘子法在机器学习中的应用/_epub-src/OEBPS/Text/chapter7.xhtml) - 结论依据:7.6.6 实验结果与分析中的定义、更新式或实验叙述提供本卡依据。与 Sigmoid 权重相比,归一化自适应权重可降低参数解释成本,在书中强噪声实验优势明显。 - 原始内容:实验证明,在弱遮挡的图像中,AWHCSC虽然没有太大优势,但依然保持较高的识别率。在多种噪声环境中,AWHCSC与WHCSC、IRGSC、RSRC、SRC、CRC、RCRC、NMR等相比有更强的鲁棒性。