|
- 稀疏（sparse）在机器学习中很重要吗？为什么？ - 知乎
深度学习论文中经常看到"sparse"，所以应该是重要的概念，但一直不理解很困惑； 刚才在quora上的回答感觉很有帮助，尝试总结以下： sparse 代表数据为0，sparse数据的存在让不为0的dense数据聚集在一起； 因为存在数据聚集效应，所以才能学到特征和规律； 如果数据维度很高，噪音很多，原本为0的
- 通俗理解，Sparse Attention是什么原理？ - 知乎
Sparse Attention的核心思想 Sparse Attention 的核心思想是避免计算每对元素之间的关系，而是仅计算序列中最重要的元素之间的关系。这样可以显著降低计算复杂度和内存占用。 具体来说，Sparse Attention采用了一些策略来选择性地忽略一些关系，这些策略包括： 固定模式稀疏化：这种方法预定义了一个
- Sparse Transformer - 知乎
Sparse Transformer 减轻计算量的方式通过让连接模式作用到 上，从而减轻 的复杂度。 如式 (3)。 对于第 个时间片的输入，首先使用 Key 和 Value 的权值矩阵乘以输入特征，得到 和 。 然后再将连接模式 作用到 和 上，得到稀疏的特征 和 。
- 如何看待Native Sparse Attention？ - 知乎
准确率上，sparse 的模型比 full 还要搞一些。 这个我猜一点原因：（1）模型还不算大，NSA 和 full 还没遇到“瓶颈”，所以 full attention 还没摸到其上限，不能和 NSA 拉开差距；（2）sparse attention 本质上可以看做是对训练的一种正则，所以也许会有更好的泛化能力。
- 什么是稀疏特征 (Sparse Features)? - 知乎
要回答什么是sparse feature，可能首先要理解什么是feature。 一般在machine learning意义上，我们常说的feature，是一种对数据的表达。当然，要衡量一种feature是否是合适的表达，要根据数据，应用，ML的模型，方法 很多方面来看。 一般来说，Feature应该是informative（富有信息量），discriminative（有区分性
- 稀疏矩阵（sparse matrix）的基本数据结构实现 - 知乎
稀疏矩阵（sparse matrix）的基本数据结构实现 稀疏矩阵（sparse matrix）的基本数据结构实现 立党 朋克 99 人赞同了该文章
- vulkan中的sparse resource支持 - 知乎
说回sparse residency，sparse residency的buffer除了不需要全部驻留外，与仅仅sparse binding的buffer别无二致。 绑定时候的对齐和粒度条件也一模一样，由alignment决定。 buffer是否支持sparse residency可以通过 VkPhysicalDeviceFeatures (3) 中的sparseResidencyBuffer来查询到。
- 如何看待OpenAI发布的Sparse Autoencoder? - 知乎
Sparse Autoencoder虽然强大，但同样存在局限性。 首先，由于其加入了稀疏性约束，模型的训练过程可能会变得更加复杂，需要更多的调试和优化。 其次，Sparse Autoencoder的效果也受到数据质量和数量的影响，如何获取高质量、大量的数据仍然是一个需要解决的问题。
|
|
|