基于复杂Lehmer变换的高效可解释神经网络
机器学习
2025-01-28 v1 人工智能
摘要
我们提出了一种高效且可解释的神经网络，采用一种新型激活函数——加权Lehmer变换。这种新的激活函数实现了自适应特征选择，并可扩展到复数域，捕捉数据中相位敏感和层次关系。值得注意的是，它相对于现有机器学习模型提供了更好的可解释性和透明度，促进了对其功能和决策过程的更深入理解。我们分析了实值和复值Lehmer激活单元的数学属性，并展示了其在建模非线性相互作用中的应用。实证评估表明，所提出的神经网络在基准数据集上实现了具竞争力的准确率，同时显著提高了计算效率。单层实值或复值Lehmer激活单元即可实现最先进的性能，在效率与可解释性之间取得了平衡。
引用
@article{arxiv.2501.15223,
title = {Efficient and Interpretable Neural Networks Using Complex Lehmer Transform},
author = {Masoud Ataei and Xiaogang Wang},
journal= {arXiv preprint arXiv:2501.15223},
year = {2025}
}