使用模糊顶点池化的神经网络架构改变
机器学习
2025-09-23 v1
摘要
顶点池化的过程涉及创建一个新顶点，该新顶点与原本与被池化顶点端点相邻的所有顶点相邻。此后，移除这些顶点的端点以及所有与它们相连的边。在本文档中，我们引入了模糊顶点池化 (FVP) 概念的形式化框架，并概述了其关键特性及其在神经网络中的应用。该池化模型在快速最小化损失的同时展现出了卓越的效率，并保持了具有竞争力的准确率，即使在隐藏层神经元较少的情况下也是如此。然而，在较长的训练周期或使用更大数据集时，这种优势会减弱，模型的性能往往会下降。这项研究强调了在深度学习训练后期池化的局限性，使其在长期或大规模应用中效果不佳。因此，建议将池化作为先进深度学习模型早期训练的策略，以利用其初期的效率。
引用
@article{arxiv.2509.16287,
title = {Architectural change in neural networks using fuzzy vertex pooling},
author = {Shanookha Ali and Nitha Niralda and Sunil Mathew},
journal= {arXiv preprint arXiv:2509.16287},
year = {2025}
}