143
个编辑
更改
→基于连续方法观察神经网络EI
首先，我们复现了文献<ref name="examine_causal_structure"/>中的结果，我们按照离散的方法计算了（单节点→单节点）EI随着激活函数网络权重的变化趋势（如图所示），发现在相同激活函数，不同的bins，对于EI值最高点所对应的网络权重都是一样的，然而在相同bins，不同激活函数网络中，EI值最高点所对应的网络权重是不一样的。
首先，我们复现了文献<ref name="examine_causal_structure"/>中的结果，我们按照离散的方法计算了（单节点→单节点）EI随着激活函数网络权重的变化趋势（如图所示），发现在相同激活函数，不同的bins，对于EI值最高点所对应的网络权重都是一样的，然而在相同bins，不同激活函数网络中，EI值最高点所对应的网络权重是不一样的。
[[文件:Bd8b5c3b93ad6a5d1bd0e3069de5dc5.png|center|600x600像素|AB]]
[[文件:Bd8b5c3b93ad6a5d1bd0e3069de5dc5.png|center|600x600像素|AB]]
在复现实验过程中进一步发现，原文在单输入单输出神经元仿真实验里，为统一三类激活函数的输入、输出值域范围，对 ReLU 的输出值域进行了人为截断处理，以此对齐输出空间尺度。本复现实验取消该输出截断约束后，实验曲线出现明显分化：Sigmoid 与 Tanh 原生输出值域天然和输入扰动空间匹配，二者 EI 随权重变化的整体走势仍保持相近；而 ReLU 去除输出限制后，EI - 权重变化规律与前两种激活函数产生显著区别，不再呈现原文中三类曲线变化模式近似的特征（如图）。
其次，我们使用连续变量计算有效信息的方法，我们同样发现，EI的最大变化与训练过程中损失函数最陡峭的部分显著匹配；在过拟合期间，EI在所有层中通常是平坦的，说明网络的因果结构已经趋于稳定，不再发生显著变化了。
其次，我们使用连续变量计算有效信息的方法，我们同样发现，EI的最大变化与训练过程中损失函数最陡峭的部分显著匹配；在过拟合期间，EI在所有层中通常是平坦的，说明网络的因果结构已经趋于稳定，不再发生显著变化了。