LuanVan.vnLuận Văn
Gửi thư

Continuous Optimization Neural Ordinary Differential Equations

Khoá luận tốt nghiệp · Đại học · năm 2023 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảVõ Thục Khánh Huyền
Người hướng dẫnNgô Văn Linh
Cơ sở đào tạoĐại học Bách khoa Hà Nội
Năm2023
NguồnThư viện số Đại học Bách khoa Hà Nội · trang gốc

Tóm tắt

Đề xuất các mô hình NesterovNODEs và GNesterovNODEs dựa trên giới hạn ODE bậc hai của phương pháp tăng tốc gradient Nesterov, khai thác tốc độ hội tụ O(1/k^2) Nghiên cứu cũng chỉ ra rằng trạng thái liên hợp của GNesterovNODEs giữ nguyên dạng phương trình, giúp tăng tốc giải ODE tiến và lùi. Các biến thể TOAES-NODEs/GTOAES-NODEs và việc tích hợp RMSprop vào NeuralODEs góp phần cải thiện tốc độ hội tụ và giảm hiện tượng mất gradient. Kết quả thực nghiệm cho thấy các phương pháp đề xuất đạt độ chính xác cao hơn và cần ít lần đánh giá hàm hơn so với NeuralODEs truyền thống.
Bản toàn văn lưu tại thư viện Đại học Bách khoa Hà Nội

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.