神经网络结构特性对机器学习性能的影响

近年来，基于图的机器学习技术，如强化学习和图神经网络，受到广泛关注。虽然部分研究开始探讨神经网络图结构与其预测性能之间的关系，但往往仅限于狭窄的模型网络范围，尤其缺乏包含社区等中尺度结构的分析。本工作通过纳入具有异构度分布和社区结构的真实网络结构进行更全面的调查，这些特征是许多真实网络的典型特征。社区结构为网络架构提供了细致的视角。我们的分析采用随机网络和无尺度网络模型，并与生物神经网络及其子集进行比较以获得更深入的分析。我们考察了这些结构特性对图像分类任务性能的影响。研究结果表明，结构特性对性能有一定影响。具体而言，具有连贯、密集互联社区的网络表现出更好的学习能力。与生物神经网络的比较强调了我们的发现与真实世界结构之间的关联性，为进一步的探索指明了有趣的方向。这一研究在网络科学和机器学习领域具有意义，为受生物启发的神经网络设计提供了启发。