基于四元数循环神经网络的实时循环学习与最大相关性准则
机器学习
2024-04-04 v2
摘要
我们发展了一种用于处理带离群点数据的3D和4D数据实时处理的鲁棒四元数循环神经网络（QRNN），通过结合实时循环学习（RTRL）算法和最大相关性准则（MCC）作为损失函数实现。虽然均方误差和最大相关性准则都是可行的代价函数，但文中展示了非二次最大相关性损失函数对离群点不够敏感，因而适用于多维噪声或不确定数据的数据集成应用。两种算法均基于新近发展的广义HR（GHR） calculus 推导，该方法允许对四元数变量的实函数进行求导，并提供乘法和链式法则，从而实现优雅而紧凑的推导。在胸部内部标记运动预测（包括常规和不规则呼吸序列）的情境下的仿真结果支持了这一分析。
引用
@article{arxiv.2402.14227,
title = {Quaternion recurrent neural network with real-time recurrent learning and maximum correntropy criterion},
author = {Pauline Bourigault and Dongpo Xu and Danilo P. Mandic},
journal= {arXiv preprint arXiv:2402.14227},
year = {2024}
}
备注
2024 International Joint Conference on Neural Networks (IJCNN)