인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
This study empirically analyzes how seed types affect the performance and prediction diversity of deep learning models. The experiments used a consistent CNN architecture and the CIFAR-10 dataset, with 30 repeated training runs conducted under two settings: fixed seeds based on pseudorandom number generators (PRNGs) and non-deterministic external seeds. The results showed that models using external seeds achieved a slightly higher average accuracy of 68.3%, compared to 68.0% for PRNG-based models, and demonstrated more stable overall convergence behavior. Analysis of convergence trends revealed that the final loss was 0.0711 for external seeds and 0.0795 for PRNG seeds, with standard deviations of 0.0134 and 0.0427, respectively, indicating faster and more consistent training. In the weight distribution analysis, the external seed condition showed broader and more balanced patterns, suggesting enhanced exploration in the parameter space. The average L2 distance of softmax outputs was 70.068 for external seeds and 70.33 for PRNG seeds, while the standard deviation was 0.794 and 1.569, respectively, indicating greater consistency in predictions. These results demonstrate that seed configuration plays a critical role in ensuring reproducibility and diversity in deep learning experiments, beyond simply setting initial values.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-094558115
