MIT探索深度学习网络基础理论的哪些长尾词可以构成一个？

本文共计2470个文字，预计阅读时间需要10分钟。

点击上方蓝色字计算机视觉联盟获取更多干货🌟

与你不见不散，不作学术分享不代表本公众号立场侵权联系删除至机+点击上方蓝色字计算机视觉联盟获取更多干货🌟

在上方右侧获取更多干货🌟

点上方蓝字计算机视觉联盟获取更多干货在右上方设为星标★与你不见不散仅作学术分享不代表本公众号立场侵权联系删除转载于机

点上方蓝字计算机视觉联盟获取更多干货

在右上方 ··· 设为星标 ★与你不见不散

仅作学术分享不代表本公众号立场侵权联系删除

转载于机器之心

AI博士笔记系列推荐

周志华《机器学习》手推笔记正式开源可打印版本附pdf下载链接

在本文中来自 MIT 的研究者探讨了关于深度学习中非常基础的问题包括网络的近似能力、优化的动态规律和强泛化能力等。

人工智能AI的复苏很大程度上归功于深度学习在模式识别方面的快速发展。深度神经网络架构的构建一定程度上受到了生物大脑和神经科学的启发。就像生物大脑的内部运行机制一样深度网络在很大程度上无法得到解释没有一个统一的理论。对此来自麻省理工学院MIT的研究者提出了深度学习网络如何运行的新见解有助于人们揭开人工智能机器学习的黑匣子。

论文地址cbmm.mit.edu/sites/default/files/publications/PNASlast.pdf

论文作者 Tomaso Poggio、Andrzej Banburski 和 Quianli Liao 来自 MIT 大脑、心智和机器中心Center for Brains, Minds and Machines, CBMM其中 Tomaso Poggio 是 MIT 计算神经学科「大家」也是深度学习理论研究的先锋。