BriefGPT - AI 论文速递
·
具有特征插入和删除的最小独立置换
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本文提出了一种新的算法，同时执行特征工程和非线性监督哈希函数学习。通过使用预训练和指数哈希损失函数，实现了有效的梯度计算和传播。实验结果表明，该算法明显优于所有现有的最先进的竞争对手，特别是在MNIST数据集上实现了近乎完美的0.99和CIFAR10数据集上的0.74的新记录。
🎯
关键要点
- 提出了一种新的算法，执行特征工程和非线性监督哈希函数学习。
- 使用预训练和指数哈希损失函数，实现有效的梯度计算和传播。
- 在多个图像基准测试中进行了全面的定量评估。
- 实验结果显示该算法优于所有现有的竞争对手。
- 在MNIST数据集上实现了近乎完美的0.99的新记录。
- 在CIFAR10数据集上实现了0.74的新记录。
🏷️
标签
➡️
