探索超表达网络在隐式神经表征中的潜能
机器学习
2025-03-28 v1
摘要
本研究考察了“超表达”网络在学习用于表示复杂信号和执行机器学习下游任务的神经函数方面的潜力。我们的关注点在于评估其在计算机视觉和科学机器学习任务中的性能，包括信号表示/逆问题求解及偏微分方程的求解。通过对各种基准任务的实证研究，我们展示了超表达网络（由 Zhang 等人在 NeurIPS, 2022 提出），其采用额外维度（宽度、深度和“高度”）的专用网络结构，可超越近期使用高度专业化非线性激活函数的隐式神经表征。
引用
@article{arxiv.2503.21166,
title = {Unveiling the Potential of Superexpressive Networks in Implicit Neural Representations},
author = {Uvini Balasuriya Mudiyanselage and Woojin Cho and Minju Jo and Noseong Park and Kookjin Lee},
journal= {arXiv preprint arXiv:2503.21166},
year = {2025}
}
备注
Accepted at ICLR 2025 Workshop on Neural Network Weights as a New Data Modality