Core Concepts
深層ニューラルネットワークの構造を特徴づけ、機能をエンコードする方法について明らかにする。
Abstract
複雑な連結トポロジーを持つ深層ニューラルネットワーク(DNNs)の接続構造を特徴付けるために、350個のDNNが訓練され、異なるランダム初期化パラメータで模倣飛行制御システムをシミュレートするよう訓練されました。結果は、強制的なスパース化がDNNが類似した接続パターンに収束させることを示しました。これは、DNNの機能がどのようにエンコードされるかを示唆し、将来の実験のアイデアも提案しています。
複雑なネットワークでは、サブグラフである「ネットワークモチーフ」が重要です。これらはランダムに接続された同等のネットワークよりも頻繁に発生します。この研究では、DNNの接続構造がどのように特徴付けられるかを調査しました。また、異なる剪定技術がDNNの性能や構造に与える影響も興味深いです。
Stats
350個のDNNが訓練されました。
2次および3次オーダー・サブグラフがカウントされました。
パラメータ数は93%まで削減されました。
Quotes
"Despite random initialization of network parameters, enforced sparsity causes DNNs to converge to similar connectivity patterns."
"DNN sparsification is a helpful tool in the effort to uncover the relationship between DNN connectivity patterns and their function."