从 Volterra 卷积视角理解卷积神经网络
机器学习
2025-11-12 v3
摘要
我们尝试通过探索（深度）卷积神经网络与 Volterra 卷积之间的关系来理解卷积神经网络。我们提出了一种新颖的方法，用于在不被极其复杂的结构所干扰的情况下解释和研究神经网络的整体特性。具体而言，我们试图将卷积神经网络（CNN）的基本结构及其组合转换为 Volterra 卷积的形式。结果表明，大多数卷积神经网络都可以近似为 Volterra 卷积的形式，其中近似的代理核保留了原始网络的特征。分析这些代理核可能为了解原始网络提供有价值的见解。基于该设定，我们提出了近似零阶和一阶代理核的方法，并验证了结果的正确性与有效性。
关键词
引用
@article{arxiv.2110.09902,
title = {Toward Understanding Convolutional Neural Networks from Volterra Convolution Perspective},
author = {Tenghui Li and Guoxu Zhou and Yuning Qiu and Qibin Zhao},
journal= {arXiv preprint arXiv:2110.09902},
year = {2025}
}