#PaperADay 6 PEKIŞTIRME ÖĞRENIMINDE GENELLEŞTIRME IÇIN YEREL ÖZELLIK DEĞIŞIMI Genelleştirme üzerine genel (ha) ve daha spesifik olarak gerçek hayatta iyi bir tartışma var, ama sunulan fikir çok basit ve ben deneyeceğim: CLOP: Kanal tutarlı yerel permütasyonlar Bir 3D tensör (parti ile 4D) verildiğinde, her konumda belli bir olasılıkla, rastgele bir komşu ile pozisyon değiştirin, tüm kanallar birim olarak değiştirilir. Dropout gibi, bu da aşırı uyumu birlikte uyarlayarak azaltır, ama hiçbir kanalı sıfırlamıyor, sadece hareket ettiriyor. Gizli alandaki veri artırmanın, girdi alanına göre genelleme açısından daha verimli olduğu fikrine katılıyorum. Bunu mekânsal hiyerarşide mümkün olduğunca alt seviyede yapmak öneriliyor, ama muhtemelen sadece dört olası permütasyon olduğu ve herhangi birinin mekânsal bilginin yarısını bozduğu 2x2 seviyesinde iyi bir fikir olmaz. Oyun başına değişim şansını ayarladıklarını unutmayın, bu genellikle bir oyun setinde sonuç raporlarken yapılmaz. Saf denetimli öğrenme görevlerindeki sonuçlar dikkat çekici değildi, ancak CLOP farklı yerlere ve farklı eğitim tarifleriyle daha iyi olabilir.