剖析神经常微分方程
机器学习
2021-01-12 v4 神经与进化计算
机器学习
摘要
连续深度学习架构近来以神经常微分方程（Neural ODEs）的形式重新出现。这种无限深度方法在理论上弥合了深度学习与动力系统之间的鸿沟，提供了新颖的视角。然而，解读这些模型的内部工作机制仍是一项开放挑战，因为大多数应用将其作为通用黑箱模块使用。在本工作中，我们“打开黑箱”，进一步发展连续深度公式，旨在阐明若干设计选择对底层动力学的影响。
引用
@article{arxiv.2002.08071,
title = {Dissecting Neural ODEs},
author = {Stefano Massaroli and Michael Poli and Jinkyoo Park and Atsushi Yamashita and Hajime Asama},
journal= {arXiv preprint arXiv:2002.08071},
year = {2021}
}