提高准确性、泛化性和可解释性的 Hopfield 网络状态分类
机器学习
2025-03-06 v1 神经与进化计算
摘要
我们扩展了现有关于 Hopfield 网络状态分类的工作，采用更复杂但仍具可解释性的模型，如密集连接的前馈深度神经网络和支持向量机。Hopfield 网络的状态可以分为几类，包括学习得到的状态（即在训练中呈现的状态）、虚假状态（即未被学习但稳定的状态）以及原型状态（即未被学习但对一组学习状态具有代表性的稳定状态）。确定给定状态所属的类别往往很有用；例如，在从网络中检索时，可以忽略虚假状态。以往的研究使用简单的线性方法，最著名的是稳定性比率来处理状态分类任务。我们深入研究了来自原型-regime Hopfield 网络的状态分类，探讨了影响原型强度因素对状态分类任务的作用。我们研究了不同分类模型在训练数据来自不同原型任务的 Hopfield 网络时（例如，一个在 10 个原型的 Hopfield 网络上训练的网络能否对 20 个原型的网络生成的状态进行分类）的泛化能力。我们发现，简单模型往往在保持可解释性方面优于稳定性比率。这些模型需要相当少的训练数据，并且对来自各种 Hopfield 网络（即使是训练数据差异极大的网络）生成的状态具有极好的泛化能力。
关键词
引用
@article{arxiv.2503.03018,
title = {Classifying States of the Hopfield Network with Improved Accuracy, Generalization, and Interpretability},
author = {Hayden McAlister and Anthony Robins and Lech Szymanski},
journal= {arXiv preprint arXiv:2503.03018},
year = {2025}
}