The training process ran for 500 ep

The training process ran for 500 epochs. The training and
validation error started to converge at around 300 epochs, which
is relatively slow. This may be caused by imbalance in the training
samples used. Imbalanced training samples means there is a
dominant class in the samples. In our case, the number of water
(ice concentration is 0) samples is about eight times the second
most common ice concentration level in the training samples.
Intuitively, this pushes the model to a “dangerous local minimum”
quickly [36]. When the model is at this local minimum,
it detects most of the input as water and can still achieve a low
cost. This causes underestimation of the ice concentration in
general if the training is stopped early. It may take many epochs
to get out of this local minimum, which leads to long training
period. There are several approaches that may be investigated to
resolve this issue, including undersampling the majority [37],
[38], oversampling the minority [37], [38], or using a Bayesian
cross-entropy cost function [36]. Our experiments (not shown
here) show that learning normally converges within 50 epochs
when using those methods, but none of the aforementioned
methods converges to a model better than training directly on
all the training samples for a long time. In this paper, we choose
to prioritize precision and bear with the long training time.
A better method to reduce the effect of imbalanced data is
needed for better performance in terms of computational time
and result accuracy.

ผลลัพธ์ (ไทย) 1:

กระบวนการฝึกวิ่งสำหรับ 500 epochs การฝึกอบรม และตรวจสอบข้อผิดพลาดเริ่มมาบรรจบกันที่ประมาณ 300 epochs ซึ่งค่อนข้างช้า นี้อาจเกิดจากความไม่สมดุลในการฝึกอบรมตัวอย่างที่ใช้ การฝึกอบรมขาดดุลตัวอย่างหมายถึงมีการชั้นเรียนที่โดดเด่นในตัวอย่าง ในกรณีของเรา จำนวนของน้ำ(ความเข้มข้นของน้ำแข็งเป็น 0) ตัวอย่างไม่เกี่ยวกับแปดครั้งที่สองทั่วไประดับความเข้มข้นของน้ำแข็งในตัวอย่างการฝึกอบรมสังหรณ์ใจ นี้ผลักดันแบบ "อันตรายในท้องถิ่นน้อยที่สุด"ได้อย่างรวดเร็ว [36] เมื่อแบบจำลองอยู่ที่ต่ำสุดนี้ท้องถิ่นมันตรวจพบมากที่สุดของการป้อนข้อมูลเป็นน้ำ และยังคงสามารถรับต่ำต้นทุนนี้ ทำให้ underestimation ความเข้มข้นในน้ำแข็งทั่วไปถ้าหยุดการฝึกอบรมก่อน อาจใช้เวลาหลาย epochsจะได้รับจากนี้ท้องถิ่นน้อยที่สุด ซึ่งนำไปสู่การฝึกนานรอบระยะเวลา มีวิธีการต่าง ๆ ที่อาจถูกตรวจสอบเพื่อปัญหานี้ รวมทั้ง undersampling ส่วนใหญ่ [37],[38], oversampling ชนก [37], [38], หรือการใช้ทฤษฎีการต้นทุนข้าม-เอนโทรปีฟังก์ชัน [36] การทดลองของเรา (ไม่แสดงที่นี่) แสดงว่า การเรียนรู้ปกติแร็คภายใน 50 epochsเมื่อใช้วิธีการเหล่านั้น แต่ไม่มีดังกล่าววิธีแร็ครุ่นที่ดีกว่าการฝึกอบรมด้วยการฝึกอบรมตัวอย่างทั้งหมดเป็นเวลานาน ในกระดาษนี้ เราเลือกการจัดลำดับความสำคัญความแม่นยำ และทนกับเวลาฝึกนานเป็นวิธีดีเพื่อลดผลของข้อมูลขาดดุลจำเป็นสำหรับประสิทธิภาพที่ดีกว่าในแง่ของเวลาที่คำนวณและผลความถูกต้อง

ผลลัพธ์ (ไทย) 2:

กระบวนการฝึกอบรมวิ่ง 500 epochs การฝึกอบรมและ
ข้อผิดพลาดการตรวจสอบเริ่มต้นที่จะมาบรรจบกันที่ประมาณ 300 epochs ซึ่ง
ค่อนข้างช้า ซึ่งอาจจะเกิดจากความไม่สมดุลในการฝึกอบรม
กลุ่มตัวอย่างที่ใช้ใน ตัวอย่างการฝึกอบรมขาดดุลหมายความว่ามี
ระดับที่โดดเด่นในกลุ่มตัวอย่าง ในกรณีของเราจำนวนของน้ำ
(ความเข้มข้นน้ำแข็ง 0) ตัวอย่างเป็นเรื่องเกี่ยวกับแปดครั้งที่สอง
ที่พบมากที่สุดในระดับความเข้มข้นของน้ำแข็งในตัวอย่างการฝึกอบรม.
สัญชาตญาณนี้ผลักดันรูปแบบกับ "ขั้นต่ำท้องถิ่นอันตราย"
ได้อย่างรวดเร็ว [36] เมื่อรูปแบบเป็นที่ต่ำสุดในท้องถิ่นนี้
จะพบมากที่สุดของการป้อนข้อมูลที่เป็นน้ำและยังคงสามารถบรรลุต่ำ
ค่าใช้จ่าย นี่เป็นสาเหตุที่เบาของความเข้มข้นของน้ำแข็งใน
ทั่วไปถ้าการฝึกอบรมจะหยุดการทำงานในช่วงต้น มันอาจใช้เวลาหลายยุคสมัย
จะได้รับจากขั้นต่ำในท้องถิ่นนี้ซึ่งจะนำไปสู่การฝึกอบรมระยะยาว
ระยะเวลา มีหลายวิธีที่อาจจะมีการตรวจสอบที่จะมี
การแก้ไขปัญหานี้รวมถึง undersampling ส่วน [37],
[38], oversampling ชนกลุ่มน้อย [37] [38] หรือใช้คชกรรม
ฟังก์ชั่นค่าใช้จ่ายข้ามเอนโทรปี [36] การทดลองของเรา (ไม่แสดง
ที่นี่) แสดงให้เห็นว่าการเรียนรู้ได้ตามปกติภายใน 50 ลู่ epochs
เมื่อใช้วิธีการเหล่านั้น แต่ไม่มีการดังกล่าวข้างต้น
วิธีการลู่เข้ากับรูปแบบดีกว่าการฝึกอบรมโดยตรงใน
ทุกตัวอย่างการฝึกอบรมมาเป็นเวลานาน ในบทความนี้เราเลือก
ที่จะจัดลำดับความสำคัญความแม่นยำและความอดทนกับเวลาการฝึกอบรมนาน.
วิธีที่ดีกว่าเพื่อลดผลกระทบของข้อมูลที่มีการขาดดุล
ที่จำเป็นสำหรับประสิทธิภาพที่ดีขึ้นในแง่ของเวลาการคำนวณ
และส่งผลให้เกิดความถูกต้อง

ผลลัพธ์ (ไทย) 3:

ขั้นตอนการฝึกวิ่ง 500 epochs . การฝึกอบรมและข้อผิดพลาดการตรวจสอบเริ่มต้นไปบรรจบที่ประมาณ 300 ยุคสมัย ซึ่งค่อนข้างช้า ซึ่งอาจจะเกิดจากความไม่สมดุลในการฝึกอบรมกลุ่มตัวอย่างที่ใช้ สมดุลตัวอย่างการฝึกอบรม หมายถึง มีเด่นชนชั้นในตัวอย่างที่ ในกรณีของเรา , จํานวนของน้ำ( ไอซ์ความเข้มข้นคือ 0 ) ตัวอย่างประมาณแปดครั้ง ที่สองที่พบบ่อยที่สุดน้ำแข็งระดับความเข้มข้นในการฝึกอบรมคนสังหรณ์ใจ มันดันแบบ " ขั้นต่ำในท้องถิ่นที่อันตราย "อย่างรวดเร็ว [ 36 ] เมื่อนางแบบน้อยในท้องถิ่นนี้ตรวจพบส่วนใหญ่ของใส่น้ำ และยังสามารถบรรลุระดับต้นทุน นี้เป็นสาเหตุของการการประเมินค่าต่ำไปของน้ำแข็งมีค่าสูงกว่าทั่วไปถ้าการฝึกอบรมจะหยุดเร็ว มันอาจใช้เวลาหลายยุคสมัยออกไปจากขั้นต่ำในท้องถิ่นนี้ ซึ่งนำไปสู่การฝึกนานระยะเวลา มีหลายวิธีที่อาจจะพบว่าการแก้ไขปัญหานี้ รวมถึง undersampling ส่วนใหญ่ [ 37 ][ 38 ] oversampling ส่วนน้อย [ 37 ] , [ 38 ] หรือใช้แบบเบส์ข้ามฟังก์ชันต้นทุนค่า [ 36 ] การทดลองของเรา ( ไม่แสดงที่นี่ ) แสดงให้เห็นว่าการเรียนปกติๆภายในยุคสมัย 50เมื่อใช้วิธีการเหล่านั้น แต่ไม่มีของดังกล่าววิธีการเข้าสู่รูปแบบการฝึกอบรมโดยตรงดีกว่าการฝึกทั้งหมด อย่างนาน ในกระดาษนี้เราเลือกเพื่อจัดลำดับความสำคัญและความอดทน เวลาฝึกนานเป็นวิธีที่ดีเพื่อลดผลของข้อมูลไม่สมดุลคือที่จำเป็นสำหรับประสิทธิภาพที่ดีขึ้นในแง่ของเวลาการคำนวณและความถูกต้องของผลลัพธ์