Zobrazeno 1 - 10
of 105
pro vyhledávání: '"Sohl-Dickstein J"'
Autor:
Bell, J. F., Squyres, S. W., Arvidson, R. E., Arneson, H. M., Bass, D., Calvin, W., Farrand, W. H., Goetz, W., Golombek, M., Greeley, R., Grotzinger, J., Guinness, E., Hayes, A. G., Hubbard, M. Y. H., Herkenhoff, K. E., Johnson, M. J., Johnson, J. R., Joseph, J., Kinch, K. M., Lemmon, M. T., Li, R., Madsen, M. B., Maki, J. N., Malin, M., McCartney, E., McLennan, S., McSween, H. Y., Ming, D. W., Morris, R. V., Parker, T. J., Proton, J., Rice, J. W., Seelos, F., Soderblom, J. M., Soderblom, L. A., Sohl-Dickstein, J. N., Sullivan, R. J., Weitz, C. M., Wolff, M. J.
Publikováno v:
Science, 2004 Dec 01. 306(5702), 1703-1709.
Externí odkaz:
https://www.jstor.org/stable/3839763
Autor:
Bell, J. F., Squyres, S. W., Arvidson, R. E., Arneson, H. M., Bass, D., Blaney, D., Cabrol, N., Calvin, W., Farmer, J., Farrand, W. H., Goetz, W., Golombek, M., Grant, J. A., Greeley, R., Guinness, E., Hayes, A. G., Hubbard, M. Y. H., Herkenhoff, K. E., Johnson, M. J., Johnson, J. R., Joseph, J., Kinch, K. M., Lemmon, M. T., Li, R., Madsen, M. B., Maki, J. N., Malin, M., McCartney, E., McLennan, S., McSween, H. Y., Ming, D. W., Moersch, J. E., Morris, R. V., Parker, T. J., Proton, J., Rice, J. W., Seelos, F., Soderblom, J., Soderblom, L. A., Sohl-Dickstein, J. N., Sullivan, R. J., Wolff, M. J., Wang, A.
Publikováno v:
Science, 2004 Aug 01. 305(5685), 800-806.
Externí odkaz:
https://www.jstor.org/stable/3837702
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Scopus-Elsevier
Recent hardware developments have dramatically increased the scale of data parallelism available for neural network training. Among the simplest ways to harness next-generation hardware is to increase the batch size in standard mini-batch neural netw
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::ccfcdaf0bc464bff0e55e428d06cdf49
http://arxiv.org/abs/1811.03600
http://arxiv.org/abs/1811.03600
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Scopus-Elsevier
We combine Riemannian geometry with the mean field theory of high dimensional chaos to study the nature of signal propagation in generic, deep neural networks with random weights. Our results reveal an order-to-chaos expressivity phase transition, wi
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::e4559a1458b5bb8e0e7424e28db73164
http://arxiv.org/abs/1606.05340
http://arxiv.org/abs/1606.05340
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Scopus-Elsevier
We study the behavior of untrained neural networks whose weights and biases are randomly distributed using mean field theory. We show the existence of depth scales that naturally limit the maximum depth of signal propagation through these random netw
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::df2f244b99a5aa8570b5658b912c8b47
Publikováno v:
Scopus-Elsevier
A central problem in machine learning involves modeling complex data-sets using highly flexible families of probability distributions in which learning, sampling, inference, and evaluation are still analytically or computationally tractable. Here, we
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::4f66cef22d42398558bb910daa44dcda
http://arxiv.org/abs/1503.03585
http://arxiv.org/abs/1503.03585
Publikováno v:
Twenty-Sixth Annual Conference on Neural Information Processing Systems (NIPS 2012)
We present a new learning strategy based on an efficient blocked Gibbs sampler for sparse overcomplete linear models. Particular emphasis is placed on statistical image modeling, where overcomplete models have played an important role in discovering
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od______1874::b39dddf4721cd04a13ebecbf864a9820
https://hdl.handle.net/21.11116/0000-0001-1C34-6
https://hdl.handle.net/21.11116/0000-0001-1C34-6