A Kernel Perspective for Regularizing Deep Neural Networks

Alberto Bietti 1 Grégoire Mialon 1, 2 Dexiong Chen 1 Julien Mairal 1
1 Thoth - Apprentissage de modèles à partir de données massives
LJK - Laboratoire Jean Kuntzmann, Inria Grenoble - Rhône-Alpes
2 SIERRA - Statistical Machine Learning and Parsimony
DI-ENS - Département d'informatique de l'École normale supérieure, CNRS - Centre National de la Recherche Scientifique, Inria de Paris
Abstract : We propose a new point of view for regularizing deep neural networks by using the norm of a reproducing kernel Hilbert space (RKHS). Even though this norm cannot be computed, it admits upper and lower approximations leading to various practical strategies. Specifically, this perspective (i) provides a common umbrella for many existing regularization principles, including spectral norm and gradient penalties, or adversarial training, (ii) leads to new effective regularization penalties, and (iii) suggests hybrid strategies combining lower and upper bounds to get better approximations of the RKHS norm. We experimentally show this approach to be effective when learning on small datasets, or to obtain adversarially robust models.
Type de document :
Pré-publication, Document de travail
2019
Liste complète des métadonnées

https://hal.inria.fr/hal-01884632
Contributeur : Alberto Bietti <>
Soumis le : jeudi 24 janvier 2019 - 19:05:35
Dernière modification le : mercredi 30 janvier 2019 - 11:07:44

Fichier

main.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01884632, version 3
  • ARXIV : 1810.00363

Collections

Citation

Alberto Bietti, Grégoire Mialon, Dexiong Chen, Julien Mairal. A Kernel Perspective for Regularizing Deep Neural Networks. 2019. 〈hal-01884632v3〉

Partager

Métriques

Consultations de la notice

80

Téléchargements de fichiers

185