谱域高阶神经网络
机器学习
2026-03-31 v1 人工智能
摘要
神经网络是现代机器学习的基本工具。标准范式假设在 feedforward 线性传递之间，神经单元之间的二元相互作用组织为顺序层。也设计了一些通用架构超越二元相互作用，以捕获计算神经元之间的高阶耦合。然而，高阶网络通常作为增强型图神经网络（GNNs）部署，仅在输入呈现显式超图结构时才显得优势。本文提出谱域高阶神经网络（SHONNs），一种用于在 general-purpose、feedforward 网络结构中融合高阶相互作用的新型算法策略。SHONNs 采用以谱特征表述的模型重构，这允许缓解加权的高阶前向传播中常见的稳定性和参数比例问题。
引用
@article{arxiv.2603.28420,
title = {Spectral Higher-Order Neural Networks},
author = {Gianluca Peri and Timoteo Carletti and Duccio Fanelli and Diego Febbe},
journal= {arXiv preprint arXiv:2603.28420},
year = {2026}
}