Saya telah menemukan beberapa cara dasar untuk mengukur kompleksitas jaringan saraf:
- Naif dan informal: hitung jumlah neuron, neuron tersembunyi, lapisan, atau lapisan tersembunyi
- Dimensi VC (Eduardo D. Sontag [1998] "Dimensi VC dari jaringan saraf" [ pdf ].)
- Suatu ukuran kompleksitas komputasi berbutir dan asimptotik dengan ekivalensi dengan T C 0 d .
Apakah ada alternatif lain?
Lebih disukai:
- Jika kompleksitas metrik dapat digunakan untuk mengukur jaringan saraf dari paradigma yang berbeda (untuk mengukur backprop, dinamika jaring saraf, korelasi kaskade, dll) pada skala yang sama. Misalnya, VC-dimensi dapat digunakan untuk berbagai jenis pada jaringan (atau bahkan hal-hal selain jaringan saraf) sementara jumlah neuron hanya berguna antara model yang sangat spesifik di mana fungsi aktivasi, sinyal (jumlah dasar vs paku), dan lainnya sifat-sifat jaringan adalah sama.
- Jika memiliki korespondensi yang bagus dengan ukuran standar kompleksitas fungsi yang dapat dipelajari oleh jaringan
- Jika mudah untuk menghitung metrik pada jaringan tertentu (yang terakhir ini tidak harus, meskipun.)
Catatan
Pertanyaan ini didasarkan pada pertanyaan yang lebih umum tentang CogSci.SE.
neural-networks
theory
vc-dimension
pac-learning
Artem Kaznatcheev
sumber
sumber
Jawaban:
Anda mungkin ingin melihat kertas "(Tidak) Bounding the True Error oleh John Langford & Rich Caruana (NIPS, 2001)
Status abstrak:
Mereka menunjukkan bahwa Anda dapat menerapkan batas gaya PAC-Bayes ke jaringan saraf stokastik. Namun analisis ini hanya berlaku untuk 2-layer feed-forward neural networks dengan fungsi transfer sigmoidal. Dalam hal ini istilah kompleksitas hanya tergantung pada jumlah node dan varians dari bobot. Mereka menunjukkan bahwa untuk pengaturan ini terikat secara efektif memprediksi kapan pelatihan berlebihan akan terjadi. Sayangnya itu tidak benar-benar mengenai salah satu properti "pilihan" Anda!
sumber
Selain itu, Anda mungkin juga tertarik pada pekerjaan dimensi penghancur lemak yang dilakukan oleh Profesor Peter Bartlett. Berikut ini adalah pengantar untuk analisis kompleksitas jaringan saraf, dalam makalah IEEE 1998: Kompleksitas Sampel Klasifikasi Pola dengan Jaringan Syaraf Tiruan: Ukuran Bobot Lebih Penting daripada Ukuran Jaringan (Bartlett 1998) [ http: //ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=661502]
sumber