Regularisation methods for neural network model averaging

برنامه های کاربردی مدل سازی مبتنی بر داده ها نیاز به اتوماسیون کامل ایجاد مدل، به طور کلی، فرآیندهای غیر خطی. معماری های متعددی برای تقریبی ساختارهای پیچیده داده ها در دسترس هستند، اما ایجاد و انتخاب بهترین مدل چالشی پیش رو برای برنامه کاربردی است. گروه های مدل اگر راهکار پیش بینی مدل ها را به نحوی ارزیابی می کنند، راهکارهای عالی را ارائه می دهند. رویکردهای معیارهای اطلاعات، معامله با خلوص معیار مناسب با خطای میانگین واریانس ساختارهای مدل، از لحاظ نظری قابل اجرا هستند، اما به طور ضمنانه در تنظیمات با مجموعه داده های ناقص و ساختار مدل پیچیده، تنظیماتی که برای بسیاری از اهداف صنعتی وجود دارد، ضعیف عمل می کنند. این مقاله پیشنهاد و بحث می کند روش شناسی چگونگی تنظیم سازه های محاسبه وزن محاسبه شده. به این ترتیب، وزنهای تجاری، خلوص معیارهای مناسب را در برابر ریسک های تجربی از خطر، افزایش عملکرد پیش بینی مدل های مدل. این روش مستقل از کلاس مدل است که قابل اجرا در همه مدل های جعبه سیاه است و عملکرد پیش بینی را برای داده های مختلف در چندین منطقه صنعتی کاربردی بهبود می بخشد.