异构神经网络中的维数约简：广义多项式混沌 (gPC) 与方差分析 (ANOVA)
适应与自组织系统
2016-11-03 v1
摘要
我们提出并通过一个神经网络例子阐释了两种用于大尺度异构网络粗粒化的不同方法。这两种方法受多不确定参数系统（在我们的情况中，参数异构地分布在网络节点上）的不确定性量化(uncertainty quantification)方法启发，并使用了其中开发的工具。该方法在加速大规模网络模拟以及粗粒化不动点、周期解和稳定性分析方面展现出前景。我们还证明该方法能成功处理结构异质性与内在异质性。
引用
@article{arxiv.1603.06643,
title = {Dimension reduction in heterogeneous neural networks: generalized Polynomial Chaos (gPC) and ANalysis-Of-VAriance (ANOVA)},
author = {Minseok Choi and Tom Bertalan and Carlo R. Laing and Ioannis G. Kevrekidis},
journal= {arXiv preprint arXiv:1603.06643},
year = {2016}
}