在深度非负矩阵分解网络中引入局部特征交互可提升性能
机器学习
2025-03-27 v1 人工智能
摘要
大脑使用正信号作为信号传递的手段。早期视觉皮层中的前向交互也是正的,由兴奋性突触实现。仅局部交互包含抑制。非负矩阵分解(NMF)捕捉了正长程交互的生物学约束,并且可以用随机脉冲实现。虽然 NMF 可以作为视觉系统中早期神经处理的抽象形式化,但带有 NMF 模块的深度卷积网络的性能仍不及规模相当的 CNN。然而,当每个局部 NMF 模块之后接上一个混合 NMF 正向活动的模块时,在基准数据上的性能便超过了规模相当的普通深度卷积网络。该设置可被视为对皮层(超)柱中处理过程的更具生物学合理性的模拟,并具有提升深度网络性能的潜力。
引用
@article{arxiv.2503.20398,
title = {Including local feature interactions in deep non-negative matrix factorization networks improves performance},
author = {Mahbod Nouri and David Rotermund and Alberto Garcia-Ortiz and Klaus R. Pawelzik},
journal= {arXiv preprint arXiv:2503.20398},
year = {2025}
}