CQnet：神经网络的凸几何解释与轨迹约束
机器学习
2023-02-23 v1 人工智能
最优化与控制
摘要
我们引入 CQnet，一种源于求解凸分裂可行性问题与前向-后向分裂的 CQ 算法的神经网络。CQnet 的轨迹可解释为粒子，通过其点到集距离函数跟踪变化的约束集，同时在每一层均为另一约束集的元素。不止于凸几何解释，CQnet 容纳学习到的与确定性的、可针对样本或数据特定且被每一层及输出满足的约束。此外，CQnet 中的状态在每一层都向另一约束集推进。我们以最小假设给出了稳定性/非扩张性的证明。约束处理与稳定性的结合使 CQnet 成为存在网络状态或输出先验知识的各类任务的候选方法。
引用
@article{arxiv.2302.10895,
title = {CQnet: convex-geometric interpretation and constraining neural-network trajectories},
author = {Bas Peters},
journal= {arXiv preprint arXiv:2302.10895},
year = {2023}
}
备注
12 pages, 7 figures