Terms containing stochastic gradient

Subject	English	Russian
dat.proc.	asynchronous stochastic gradient descent	асинхронный стохастический градиентный спуск (Alex_Odeychuk)
math.	stochastic gradient	стохастический градиент
media.	stochastic gradient adaptive filter	адаптивный фильтр, реализующий стохастический градиентный алгоритм
media.	stochastic gradient algorithm	стохастический градиентный алгоритм (адаптивного регулирования весовых коэффициентов на отводах трансверсального фильтра)
neur.net.	stochastic gradient approach	подход на основе стохастического градиента (стратегия обучения для модели HME (иерархическое смешение мнений экспертов) clck.ru dimock)
AI.	stochastic gradient descent	стохастический градиентный спуск (Algorithms use a process called stochastic gradient descent (SGD) to gradually tune a neural network's connections. singularityhub.com Shadowman)
tech.	stochastic gradient descent	оперативный градиентный спуск (Shadowman)
math.	stochastic gradient method	стохастический градиентный метод (clck.ru dimock)
AI.	stochastic gradient optimization	стохастическая градиентная оптимизация (Исследования показали, что гиперпараметризация, или реализация нейронных сетей с числом параметров, превышающим количество доступных точек обучающих данных, приносит значительные преимущества. Методы стохастической градиентной оптимизации предотвращают переобучение нейронных сетей благодаря регуляризующему эффекту, который достигается за счёт ранней остановки, которая позволяет нейронным сетям переходить в режим интерполяции, когда обучающие данные подходят почти точно, при этом сохраняя адекватные прогнозы по промежуточным точкам. Примером крупномасштабной сети с гиперпараметризацией является одна из передовых систем распознавания образов – NoisyStudent, которая имеет 480 млн параметров для 1,2 млн точек данных ImageNet. — Research indicates that hyperparameterization — implementing neural networks with more parameters than the available training data points — offers substantial advantages. Stochastic gradient optimization techniques counteract overlearning by leveraging the regularizing power of early stopping, switching neural networks into an interpolation mode, where they align closely with the training data, yet still produce reliable predictions for intermediate values. A prime example of this is the state-of-the-art image recognition system, NoisyStudent, which boasts 480 million parameters, fine-tuned using just 1.2 million ImageNet data points. Alex_Odeychuk)