가중값,weight

AKA 가중치
[http]try backsrch 가중치

기계학습,machine_learning에서 학습,learning이란 바로 신경망,neural_network(ANN)의 weights를 조절하는 과정.

Sub:
가중평균,weighted_mean (... or 가중평균,weighted_average)
{
TBW - 그냥 평균과 가중평균을 수식으로 비교해서 적을 것

////현재 평균,mean,average에도 내용 있음. TOMERGE
가중평균 (← 가중평균의 넓은 의미)
가중산술평균,weighted_arithmetic_mean (← 가중평균의 좁은 의미) ///QQQ 이게 = weighted_average ??? https://everything2.com/title/weighted average
질량중심,mass_center 무게중심 weight_center 이 이것의 일종? chk
WpEn:Weighted_arithmetic_mean
cf. 산술평균,arithmetic_mean
가중조화평균,weighted_harmonic_mean
WpEn:Weighted_harmonic_mean
cf. 조화평균,harmonic_mean
가중기하평균,weighted_geometric_mean
WpEn:Weighted_geometric_mean
cf. 기하평균,geometric_mean

//이상 세가지 모두 여기에 설명 있음
[https]수학백과: 가중산술평균

https://proofwiki.org/wiki/Definition:Weighted_Mean
}
가중합,weighted_sum - 합,sum
{
이것의 계산 방식은 벡터,vector의 내적,inner_product/스칼라곱,scalar_product,dot_product과 rel. 왜인지는 너무 명백하므로 생략. - 잠깐 써보면
{
전체 합이 1이 되는 벡터(이름이 있을텐데 뭐라고 하지? 암튼 전체가 하나,one. rel: 단위,unit, 정규화,normalization.) .. 예를 들어 $[0.6 \; 0.4]$ 와 내적을 하는 것은 전자에 60%, 후자에 40%의 가중치를 ...tbw
}
Ex.
$\vec{w}=[w_1\;w_2\;w_3]$
$\vec{v}=[v_1\;v_2\;v_3]$
$\vec{w}\cdot\vec{v}=w_1v_1+w_2v_2+w_3v_3=\vec{v}\cdot\vec{w}$
이 때, 다음과 같이 (합하기 / 일정 원소만 뽑아내기 / 노름 구하기)가 가능하다.
$\bullet\;\vec{w}=\mathbb{1}$ (일벡터) 일 때, $\vec{w}\cdot\vec{v}$ 는 $\vec{v}$ 벡터의 원소들의 합
$\bullet\;\vec{w}=\vec{e_i}$ 일 때, $\vec{e_2}\cdot\vec{v}$ 는 $\vec{v_2}$
$\bullet\;\vec{w}=\vec{v}$ 일 때, $\vec{v}\cdot\vec{v}=||\vec{v}||^2$
....
가중값,weight 합,sum
}
해밍_가중값,Hamming_weight
weight_initialization
Google:가중치.초기화
Google:weight.initialization

그래프,graph or 네트워크,network can be 'unweighted or weighted'.
weighted_graph weighted_network : link(edge)별로 그에 해당하는 weight를 갖는다.[1]
그럼 unweighted_graph unweighted_network : weight가 없음? or 1로 고정? QQQ

최단경로,shortest_path를 찾는 최단경로문제,shortest_path_problem에서
edge_weight - ,edge의 weight
path_weight - 경로,path에 속하는 모든 간선(edge)의 값을 더한 값

weight는 신경망,neural_network/퍼셉트론,perceptron의 경우 '연결세기'로도 번역.

tmp; (뉴런,neuron/NN/etc.에서)
via http://sanghyukchun.github.io/74/
{
문단 "Model of Neural Network:"
신경망,neural_network에선, 뉴런,neuron들이 node이고, 그 neuron들을 연결하는 시냅스,synapse가 edge이다. Edge마다 weight가 있게 된다.

위치 "다시 일반적인 neural network에 대해 생각해보자"
rel. ,bias 와의 관계 설명 - 활성화함수의 식에서 같이 나타남.
활성화,activation(다음 뉴런,neuron에 뭔가를 전달을 "할지 말지"? boolean_function? threshold가 있고 그에 따라 activate or dectivate? chk)조건을 표현하는 활성화함수,activation_function 설명에서, 일단 편의상
$t=\sum_i w_i x_i$
라고 정의. (물론 $w_i$ 가 weight) 일반적으로는 weight뿐만 아니라 bias도 고려해야 한다. 그 때 식은
$t=\sum_i(w_i x_i+b_i)$

그리고 activation fn 예를 조금 들면 ('활성화함수'에 wrote, del ok)
}


가중값xx,weight_decay
xx는 감쇠, 감소... 붕괴는 너무 물리적인 decay의 번역?, 또 뭐있지? ....
https://ko.d2l.ai/chapter_deep-learning-basics/weight-decay.html - 가중치 감쇠
... Google:weight decay


multiplicative_weight or
multiplicative_weight_update (algorithm/method)
{
rel. mirror_descent




부호,code중에서
weighted code vs. unweighted code
Ggl:weighted code vs. unweighted code
weighted_code
weighted code
unweighted_code
unweighted code / Ggl:non-weighted code
여기서 말하는 weight는
예를 들어 2진수에서 자리에 대한 weight는 오른쪽부터 1 2 4 8 16 32…
  • BCD code(BCD,binary_coded_decimal)는 네 자리 위치에 따라 저렇게 일정하므로 weighted code이며,
  • excess-3 code는 네 자리 위치에 따라 weight가 일정하지 않으므로 unweighted code.

Etc
같은 영단어: 무게,weight
한국어 단어에 포함된 어근: 값,value
다른 표현: Google:경중률

rel. ?
,weighting { WpEn:Weighting }

QQQ
{
weighting_factor 와 항상 같은건지 아님 다를 경우가 있는지
항상 weight_function = weighting_function인지
}


https://mathworld.wolfram.com/Weight.html - 이건 위와 약간 포인트가 다름

Up: 계수,coefficient? - weight는 항상 coeff.? 그럴 것 같은데...chk
----
  • [1] Menczer, Network Sci, p15 아래 박스