可学习的多核 Volterra 神经网络
计算机视觉与模式识别
2026-04-17 v1
摘要
高阶学习根植于利用组合特征，关键在于通过更复杂的数据相互作用来丰富表示，从而倾向于增加传统大规模深度学习模型的模型复杂度。本文提出了一种核化 Volterra 神经网络（kVNN）。实现效率的关键在于使用可学习的多核表示，其中不同的相互作用阶数由具有紧凑、可学习中心的不同多项式核组件建模，实现阶数自适应参数化。通过层次组合来学习特征，每一层由不同多项式阶数的平行分支组成，使得 kVNN 滤波器能够直接取代现有架构中的标准卷积核。实验在两个代表性任务上进行：视频动作识别和图像去噪。结果显示，kVNN 在性能和效率之间取得了有利的权衡：kVNN 持续地实现了减少模型（参数）和计算（GFLOPs）复杂度，同时在竞争性甚至常常更佳的性能方面表现出色。即使是从头训练且不使用大规模预训练，结果仍然保持良好。总之，本文证实了结构化核化的高阶层为现代深度网络在表达性和计算成本之间取得平衡提供了实用路径。
关键词
引用
@article{arxiv.2604.15141,
title = {KVNN: Learnable Multi-Kernel Volterra Neural Networks},
author = {Haoyu Yun and Hamid Krim and Yufang Bao},
journal= {arXiv preprint arXiv:2604.15141},
year = {2026}
}