DMPCN：具有混合反馈表示的动态调制预测编码网络
计算机视觉与模式识别
2025-04-22 v1
摘要
传统预测编码网络灵感来自脑功能理论，持续在各种领域取得令人瞩目的成果，扩展其影响力于计算机视觉领域。然而，预测编码网络的性能受限于其 error feedback机制，该机制传统上采用 local 或 global recurrent 更新，导致在同时处理 local 与更广泛细节方面表现次优。此外，传统预测编码网络在动态调整以适应不同输入数据的复杂性和语境方面存在困难，这对于在多样化情境中实现最高水平性能至关重要。Furthermore, 针对该框架更有效指导模型实现最佳性能的特定损失函数开发与应用之间存在差距。为此, 本文引入一种混合 prediction error feedback机制，结合动态调制以应对深层预测编码网络，通过有效整合 global context 与 local details 同时根据输入复杂性调整 feedback。此外, 我们提出一种针对该框架的损失函数以提高准确性，专注于精确的 prediction error 最小化。实验结果表明，我们的模型优于其他方法，展示在 CIFAR-10、CIFAR-100、MNIST 和 FashionMNIST 数据集上更快的收敛速度和更高的预测准确性。
引用
@article{arxiv.2504.14665,
title = {DMPCN: Dynamic Modulated Predictive Coding Network with Hybrid Feedback Representations},
author = {A S M Sharifuzzaman Sagar and Yu Chen and Jun Hoong Chan},
journal= {arXiv preprint arXiv:2504.14665},
year = {2025}
}