深层ReLU神经网络在顺序可分离数据上的可解释全局最小值
机器学习
2026-01-14 v3 人工智能
数学物理
math.MP
最优化与控制
机器学习
摘要
我们显式构造零损失神经网络分类器。将权重矩阵和偏置向量表示为累积参数，这些参数决定作用于输入空间的递归截断映射。所考虑的训练数据配置为(i)对应于每个类的足够小且well分离的簇，以及(ii)顺序线性可分的等价类。在最佳情况下，对于中的Q个类别的数据，全局最小化器可描述为Q(M+2)个参数。
引用
@article{arxiv.2405.07098,
title = {Interpretable global minima of deep ReLU neural networks on sequentially separable data},
author = {Thomas Chen and Patrícia Muñoz Ewald},
journal= {arXiv preprint arXiv:2405.07098},
year = {2026}
}
备注
AMS Latex, 31 pages, 3 figures