Core Concepts
전이 엔트로피를 CNN 학습 메커니즘에 통합하여 학습 과정을 가속화할 수 있다.
Abstract
최근 인공 신경망의 뉴런 간 효과적인 연결성을 정량화하기 위해 전이 엔트로피(TE)를 적용하는 연구가 활발하다.
피드포워드 신경망에서 TE는 다른 층의 뉴런 출력 쌍 간 관계를 정량화하는 데 사용될 수 있다.
본 연구에서는 TE 피드백 연결을 CNN 학습 메커니즘에 통합하는 새로운 학습 기법을 제안한다.
TE 피드백 파라미터를 추가하면 학습 과정이 가속화되고, 일반적으로 더 나은 테스트 정확도를 달성할 수 있다.
TE는 학습 과정의 안정성을 높이는 요인으로 작용한다.
계산 오버헤드를 줄이기 위해 마지막 두 완전 연결 층의 뉴런 쌍에 대해서만 TE를 계산한다.
실험 결과, TE 피드백을 활용하면 동일한 정확도 목표를 달성하는 데 필요한 에폭 수가 감소하는 것을 확인했다.
Stats
학습 과정에서 각 에폭의 시작 부분에 경사도 값과 TE 값의 변동성이 크게 나타난다.
에폭이 진행됨에 따라 경사도 값과 TE 값의 변동성이 점차 감소한다.
Quotes
"전이 엔트로피는 통계적 인과 관계를 측정하는 데 사용될 수 있다."
"전이 엔트로피는 한 프로세스에서 다른 프로세스로의 정보 흐름을 정량화하는 데 사용될 수 있다."