面向复值深度学习的陪域对称性
计算机视觉与模式识别
2025-04-24 v2 人工智能
机器学习
摘要
我们研究复值缩放作为复值测量与表示所固有且独特的一种对称性。深度复值网络（DCN）将实值代数扩展到复域，但未处理复值缩放。SurReal 采用受限流形视角看待复数，采用距离度量实现复缩放不变性，却丢失了丰富的复值信息。我们将复值缩放分析为陪域变换，并针对这一特殊变换设计了新颖的等变与不变神经网络层函数。我们还提出了 RGB 图像的新型复值表示，其中复值缩放表示色调偏移或跨颜色通道的相关变化。在 MSTAR、CIFAR10、CIFAR100 和 SVHN 上的基准测试表明，我们的陪域对称（CDS）分类器以远少的参数，比 DCN 和 SurReal 具有更高的准确率、更好的泛化性、对陪域变换的鲁棒性，以及更低的模型偏差与方差。
引用
@article{arxiv.2112.01525,
title = {Co-domain Symmetry for Complex-Valued Deep Learning},
author = {Utkarsh Singhal and Yifei Xing and Stella X. Yu},
journal= {arXiv preprint arXiv:2112.01525},
year = {2025}
}