次齐次深度平衡模型

近年来，隐式深度神经网络已成为传统网络在各种应用中的强大替代品。然而，这些模型通常缺乏存在性和唯一性的保证，引发了稳定性、性能和可重复性问题。在本文中，我们基于次齐次算子和非线性Perron-Frobenius理论，对隐式深度神经网络不动点的存在性和唯一性提出了新的分析。与以往类似分析相比，我们的理论允许对参数矩阵施加更弱的假设，从而为定义良好的隐式网络提供了更灵活的框架。我们在前馈、卷积和图神经网络示例上展示了所得次齐次网络的性能。