如何在不进行条件 dropout 的情况下将无分类器指导 (CFG) 应用于您的扩散模型？扩散模型生成采样的最新替代方案是什么？在本文中找到答案！
Dropout: A Revolutionary Approach to Reducing Overfitting in Neural Networks
过度拟合和 Dropout 简介：在有限的数据上训练大型神经网络时，过度拟合是一个常见的挑战。当模型在训练数据上表现异常出色但无法推广到看不见的测试数据时，就会发生这种情况。出现此问题的原因是网络的特征检测器对于训练数据来说变得过于专业化，从而产生了复杂的依赖关系 Dropout：一种减少神经网络过度拟合的革命性方法首先出现在 AI Quantum Intelligence 上。
IEEE Transactions on Neural Networks and Learning Systems, Volume 35, Issue 4, April 2024
1) 特邀编辑：图的深度神经网络：理论、模型、算法和应用作者：Ming Li、Alessio Micheli、Yu Guan Wang、Shirui Pan、Pietro Lió、Giorgio Stefano Gnecco、Marcello Sanguineti页数：4367 - 43722) 正则化理论背景下的谱图卷积神经网络作者：Asif Salim、S. Sumitra页数：4373 - 43843) 赋能简单图卷积网络作者：Luca Pasa、Nicolò Navarin、Wolfgang Erb、Alessandro Sperduti页数：4385 - 43994) 通过面积正则球
Regularization techniques for training deep neural networks
了解什么是正则化，为什么它在深度神经网络中是必要的，并探索最常用的策略：L1、L2、dropout、随机深度、早期停止等
You sure? A Bayesian approach to obtaining uncertainty estimates from neural networks
在深度学习中，没有明显的方法可以获得不确定性估计。2016 年，Gal 和 Ghahramani 提出了一种既有理论依据又实用的方法：在测试时使用 dropout。在这篇文章中，我们介绍了这种方法的改进版本（Gal 等人，2017 年），让网络本身了解其不确定性。
