基于学习的非线性系统识别中的神经缩放律

《IEEE Open Journal of Control Systems》:Neural Scaling Laws for Learning-based Identification of Nonlinear Systems

【字体: 大 中 小 】 时间:2026年05月19日 来源:IEEE Open Journal of Control Systems 1.2

编辑推荐:

   摘要:由于机器学习模型能够高精度地逼近复杂的非线性动态,其在系统识别中的应用日益增多。然而,通常并不清楚训练有素的模型的性能如何随着数据、计算资源和模型规模等给定资源的增加而变化。机器学习领域的一项最新进展是引入了所谓的“神经缩放定律”(NSLs),用于描述训练资源量与模型性能

  

摘要:

由于机器学习模型能够高精度地逼近复杂的非线性动态,其在系统识别中的应用日益增多。然而,通常并不清楚训练有素的模型的性能如何随着数据、计算资源和模型规模等给定资源的增加而变化。机器学习领域的一项最新进展是引入了所谓的“神经缩放定律”(NSLs),用于描述训练资源量与模型性能之间的关系。为了更好地理解机器学习模型的性能可扩展性,我们通过输入-状态-输出和输入-输出数据,使用不同的评估指标(如准确性),针对不同的系统和基于神经网络的系统识别架构,对NSLs进行了实证验证。我们的研究结果表明了模型性能的可预测缩放行为,为预测性能提升、指导模型设计和数据采集策略提供了框架。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号