|
|
| (1 промежуточная версия не показана) |
| Строка 1: |
Строка 1: |
| - | {{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}}
| |
