Обсуждение участника:Mariia Shubina
Материал из MachineLearning.
(Различия между версиями)
м (Adding welcome message to new user's talk page) |
|||
| Строка 1: | Строка 1: | ||
{{MediaWiki:NewUserMessage|Mariia Shubina}} | {{MediaWiki:NewUserMessage|Mariia Shubina}} | ||
| + | Роль: Ты — ведущий исследователь в области глубокого обучения, геометрии представлений и теории классификации. Напиши эталонную энциклопедическую статью для профессионального ресурса MachineLearning.ru на тему «Нейронный коллапс в задачах классификации». | ||
| + | |||
| + | Целевая аудитория: мотивированные студенты, преподаватели, исследователи и практикующие специалисты по AI/ML. Статья должна быть полезна как новичку — определения и геометрическая интуиция объясняются понятно, — так и профессионалу: приводятся строгие формулировки, условия теорем, актуальные научные результаты и проверяемые ссылки. | ||
| + | |||
| + | Требования к содержанию: | ||
| + | |||
| + | * Введи формальную постановку многоклассовой классификации и обозначения для признаков предпоследнего слоя, весов линейного классификатора, средних классов и внутриклассовых ковариаций. | ||
| + | * Объясни, что называют терминальной фазой обучения и при каких эмпирических условиях наблюдается нейронный коллапс: сбалансированные классы, интерполяция обучающей выборки, малая обучающая ошибка и продолжение оптимизации после достижения нулевой ошибки. | ||
| + | * Строго разбери четыре классических свойства NC1–NC4: исчезновение внутриклассовой вариативности, формирование симплексного эквиангулярного плотного фрейма средними классов, самодуальность весов классификатора и классификацию по ближайшему центру класса. | ||
| + | * Приведи формулы для нормированных средних классов, матриц рассеяния, симплексного ETF и количественных метрик, которыми измеряют степень коллапса в экспериментах. | ||
| + | * Объясни геометрическую интуицию: почему центры классов стремятся к максимально симметричной конфигурации и как это связано с максимизацией межклассовых углов и разделяющей способности. | ||
| + | * Рассмотри основные теоретические модели: unconstrained features model, обучение с перекрёстной энтропией и квадратичной ошибкой, градиентный поток, регуляризацию весов и нормировку признаков. Для каждого результата явно укажи предпосылки и область применимости. | ||
| + | * Покажи связь нейронного коллапса с максимизацией зазора, линейным дискриминантным анализом, метрическим обучением, симплексным кодированием и геометрией выученных представлений. | ||
| + | * Обсуди динамику возникновения NC1–NC4, влияние глубины, ширины сети, нормализации, weight decay, аугментаций, оптимизатора, дисбаланса классов и шума меток. | ||
| + | * Рассмотри обобщения и наблюдения для несбалансированных данных, иерархических классов, transfer learning, self-supervised learning, сегментации, длиннохвостых распределений и задач вне распределения. Чётко отдели надёжно установленные результаты от гипотез и эмпирических наблюдений. | ||
| + | * Проанализируй связь нейронного коллапса с обобщающей способностью и робастностью. Не представляй сам факт коллапса как универсальную гарантию хорошего обобщения. | ||
| + | * Опиши практический протокол воспроизведения феномена: какие величины сохранять во время обучения, как вычислять метрики NC1–NC4 и какие контрольные эксперименты проводить. | ||
| + | * Укажи ограничения концепции, известные контрпримеры, зависимость выводов от архитектуры и функции потерь, а также открытые исследовательские вопросы. | ||
| + | * Не смешивай нейронный коллапс с [[Коллапс мод в генеративных моделях]], коллапсом представлений в self-supervised learning и деградацией модели при обучении на синтетических данных. Дай краткое явное разграничение этих понятий. | ||
| + | * Используй первичные источники, начиная с исходных работ Papyan, Han, Donoho, и актуальные научные публикации. Проверяй названия, авторов, годы, DOI и arXiv-идентификаторы; не придумывай библиографические записи. | ||
| + | |||
| + | Критерии качества: | ||
| + | |||
| + | * Никакой воды, рекламных формулировок и типичных нейросетевых штампов. | ||
| + | * Стиль академический, строгий и связный, но доступный для первого знакомства с темой. | ||
| + | * Все теоретические утверждения сопровождай точными предпосылками и ограничениями применимости. | ||
| + | * Явно разделяй исходное эмпирическое определение, математические идеализации, доказанные результаты и позднейшие обобщения. | ||
| + | * Профильные термины оформляй как внутренние вики-ссылки, например [[Классификация]], [[Глубокое обучение]], [[Обучение представлений]], [[Функция потерь]], [[Градиентный спуск]], [[Обобщающая способность]]. | ||
| + | * Для ключевых определений и теоретических результатов приводи ссылки на оригинальные статьи или авторитетные монографии. | ||
| + | |||
| + | Формат: | ||
| + | |||
| + | * Используй только классическую вики-разметку MachineLearning.ru: заголовки вида == Раздел == и === Подраздел ===, списки через * и #. Markdown запрещён. | ||
| + | * Все математические формулы заключай только в теги <tex>...</tex>. Не используй <math>...</math> и символы $. Учитывай особенности MediaWiki и поддерживаемого на MachineLearning.ru TeX. | ||
| + | * Выключные формулы оформляй так: | ||
| + | |||
| + | :: <tex>...</tex> | ||
| + | |||
| + | * Сноски оформляй через <ref>Библиографическое описание</ref>. | ||
| + | * Добавь раздел == Литература == с тегом <references/>. Для списка литературы используй шаблоны {{статья}}, {{книга}}, {{cite web}}, как в русскоязычной Википедии, и оформляй список как ненумерованный, через *. | ||
| + | * Шаблон {{статья}} для журнальных и конференционных публикаций используй совместно с тегами <ref></ref> и <references/>. Заполняй как минимум поля автор, заглавие, издание, год, том или номер при наличии, страницы, DOI или ссылка. | ||
| + | * Внизу страницы укажи категории [[Категория:Глубокое обучение]], [[Категория:Классификация]], [[Категория:Обучение представлений]], [[Категория:Машинное обучение]], [[Категория:Энциклопедия анализа данных]]. | ||
| + | |||
| + | Выдай только готовый вики-код статьи в документе .txt. Не добавляй комментарии или пояснения до и после текста статьи. | ||
| + | |||
| + | В самом начале статьи без изменений размести: | ||
| + | |||
| + | {{well|Статья написана с использованием Deepseek и проверена участником [[Участник:|Участник:]] 21:00, 14 июля 2026 (MSD)}} | ||
| + | |||
| + | {{TOCright}} | ||
Версия 18:09, 17 июля 2026
Mariia Shubina, поздравляем с успешной регистрацией на MachineLearning.ru
Перед началом работы рекомендуем ознакомиться с двумя основными документами:
- Концепция Ресурса — короткий документ, в котором объясняется, чем наш Ресурс отличается от Википедии, как его можно использовать для совместной научной и учебной работы, и каким он должен стать в перспективе;
- Инструктаж — длинный документ, в котором мы постарались собрать все сведения, необходимые для работы с Ресурсом, включая правила вики-разметки и сведения об основных категориях Ресурса.
Ссылки на эти и другие справочные материалы собраны на странице Справка.
В нашем сообществе принято представляться. Поэтому, прежде чем приступить к созданию или редактированию страниц, заполните, пожалуйста, свою страницу участника. Сделать это очень просто — достаточно кликнуть на Ваше имя Участника (оно показывается в самой верхней строке на любой странице Ресурса). Желательно, чтобы кроме обычных формальностей (фамилии, имени, отчества, места работы или учёбы, степени, звания, и т.д.) Вы указали свои научные интересы. Удобнее всего сделать это в виде списка ссылок на интересные Вам статьи или категории нашего Ресурса. Не беда, если некоторые из них окажутся «красными ссылками» — это означает, что таких статей пока нет, и у Вас есть шанс их написать. Кстати, вики-движок собирает все «красные ссылки» в список требуемых статей — в него тоже стоит заглянуть. Для создания новой статьи достаточно кликнуть по «красной ссылке» или набрать её название в строке поиска.
По любым вопросам, связанным с работой нашего Ресурса, обращайтесь к Администраторам (см. список администраторов).
С уважением,
ваш M.L.Ru
Роль: Ты — ведущий исследователь в области глубокого обучения, геометрии представлений и теории классификации. Напиши эталонную энциклопедическую статью для профессионального ресурса MachineLearning.ru на тему «Нейронный коллапс в задачах классификации».
Целевая аудитория: мотивированные студенты, преподаватели, исследователи и практикующие специалисты по AI/ML. Статья должна быть полезна как новичку — определения и геометрическая интуиция объясняются понятно, — так и профессионалу: приводятся строгие формулировки, условия теорем, актуальные научные результаты и проверяемые ссылки.
Требования к содержанию:
- Введи формальную постановку многоклассовой классификации и обозначения для признаков предпоследнего слоя, весов линейного классификатора, средних классов и внутриклассовых ковариаций.
- Объясни, что называют терминальной фазой обучения и при каких эмпирических условиях наблюдается нейронный коллапс: сбалансированные классы, интерполяция обучающей выборки, малая обучающая ошибка и продолжение оптимизации после достижения нулевой ошибки.
- Строго разбери четыре классических свойства NC1–NC4: исчезновение внутриклассовой вариативности, формирование симплексного эквиангулярного плотного фрейма средними классов, самодуальность весов классификатора и классификацию по ближайшему центру класса.
- Приведи формулы для нормированных средних классов, матриц рассеяния, симплексного ETF и количественных метрик, которыми измеряют степень коллапса в экспериментах.
- Объясни геометрическую интуицию: почему центры классов стремятся к максимально симметричной конфигурации и как это связано с максимизацией межклассовых углов и разделяющей способности.
- Рассмотри основные теоретические модели: unconstrained features model, обучение с перекрёстной энтропией и квадратичной ошибкой, градиентный поток, регуляризацию весов и нормировку признаков. Для каждого результата явно укажи предпосылки и область применимости.
- Покажи связь нейронного коллапса с максимизацией зазора, линейным дискриминантным анализом, метрическим обучением, симплексным кодированием и геометрией выученных представлений.
- Обсуди динамику возникновения NC1–NC4, влияние глубины, ширины сети, нормализации, weight decay, аугментаций, оптимизатора, дисбаланса классов и шума меток.
- Рассмотри обобщения и наблюдения для несбалансированных данных, иерархических классов, transfer learning, self-supervised learning, сегментации, длиннохвостых распределений и задач вне распределения. Чётко отдели надёжно установленные результаты от гипотез и эмпирических наблюдений.
- Проанализируй связь нейронного коллапса с обобщающей способностью и робастностью. Не представляй сам факт коллапса как универсальную гарантию хорошего обобщения.
- Опиши практический протокол воспроизведения феномена: какие величины сохранять во время обучения, как вычислять метрики NC1–NC4 и какие контрольные эксперименты проводить.
- Укажи ограничения концепции, известные контрпримеры, зависимость выводов от архитектуры и функции потерь, а также открытые исследовательские вопросы.
- Не смешивай нейронный коллапс с Коллапс мод в генеративных моделях, коллапсом представлений в self-supervised learning и деградацией модели при обучении на синтетических данных. Дай краткое явное разграничение этих понятий.
- Используй первичные источники, начиная с исходных работ Papyan, Han, Donoho, и актуальные научные публикации. Проверяй названия, авторов, годы, DOI и arXiv-идентификаторы; не придумывай библиографические записи.
Критерии качества:
- Никакой воды, рекламных формулировок и типичных нейросетевых штампов.
- Стиль академический, строгий и связный, но доступный для первого знакомства с темой.
- Все теоретические утверждения сопровождай точными предпосылками и ограничениями применимости.
- Явно разделяй исходное эмпирическое определение, математические идеализации, доказанные результаты и позднейшие обобщения.
- Профильные термины оформляй как внутренние вики-ссылки, например Классификация, Глубокое обучение, Обучение представлений, Функция потерь, Градиентный спуск, Обобщающая способность.
- Для ключевых определений и теоретических результатов приводи ссылки на оригинальные статьи или авторитетные монографии.
Формат:
- Используй только классическую вики-разметку MachineLearning.ru: заголовки вида == Раздел == и === Подраздел ===, списки через * и #. Markdown запрещён.
- Все математические формулы заключай только в теги
. Не используй <math>...</math> и символы $. Учитывай особенности MediaWiki и поддерживаемого на MachineLearning.ru TeX.
- Выключные формулы оформляй так:
::
- Сноски оформляй через [1].
- Добавь раздел == Литература == с тегом . Для списка литературы используй шаблоны {{{заглавие}}}., {{{заглавие}}}., [{{{url}}} {{{title}}}], как в русскоязычной Википедии, и оформляй список как ненумерованный, через *.
- Шаблон {{{заглавие}}}. для журнальных и конференционных публикаций используй совместно с тегами Ошибка цитирования Неверный вызов: нет входных данных и . Заполняй как минимум поля автор, заглавие, издание, год, том или номер при наличии, страницы, DOI или ссылка.
- Внизу страницы укажи категории,,,,.
Выдай только готовый вики-код статьи в документе .txt. Не добавляй комментарии или пояснения до и после текста статьи.
В самом начале статьи без изменений размести:
| Статья написана с использованием Deepseek и проверена участником [[Участник:|Участник:]] 21:00, 14 июля 2026 (MSD) |
|
