用于复值数据的 Steinmetz 神经网络
机器学习
2025-02-17 v3
摘要
我们引入了一种处理复值数据的新方法，使用由具有耦合输出的并行实值子网络组成的 DNN。我们提出的一类架构称为 Steinmetz 神经网络，它结合了多视图学习，以在潜在空间中构建更具可解释性的表示。此外，我们提出了解析神经网络，它引入了一致性惩罚，促使 Steinmetz 神经网络的潜在空间中形成解析信号表示。该惩罚在实部和虚部之间施加了确定性的正交关系。利用信息论构造，我们证明了解析神经网络所设定的泛化误差上界低于一般 Steinmetz 神经网络类。我们的数值实验表明，在基准数据集和合成示例上，我们提出的网络具有更好的性能和对加性噪声的鲁棒性。
引用
@article{arxiv.2409.10075,
title = {Steinmetz Neural Networks for Complex-Valued Data},
author = {Shyam Venkatasubramanian and Ali Pezeshki and Vahid Tarokh},
journal= {arXiv preprint arXiv:2409.10075},
year = {2025}
}