用于复值核激活函数的宽线性核
神经与进化计算
2019-02-07 v1
摘要
当输入数据可在复域中恰当建模时，复值神经网络（CVNNs）已被证明是强大的非线性逼近器。扩展 CVNNs 实际应用的主要挑战之一是复值激活函数的设计。最近，我们提出了一种基于廉价的一维核展开和核激活函数（KAFs）思想、以数据依赖方式按神经元学习这些激活函数的新型框架。在本文中，我们认为尽管该框架具有灵活性，其在复域中可建模的函数类上仍受限。我们利用宽线性复核的思想扩展该公式，在不增加可适应参数数量的情况下实现更丰富的表达能力。我们在一组复值图像分类基准上测试所得模型。实验结果表明，所得 CVNNs 可达到更高准确率，同时收敛更快。
引用
@article{arxiv.1902.02085,
title = {Widely Linear Kernels for Complex-Valued Kernel Activation Functions},
author = {Simone Scardapane and Steven Van Vaerenbergh and Danilo Comminiello and Aurelio Uncini},
journal= {arXiv preprint arXiv:1902.02085},
year = {2019}
}
备注
Accepted at ICASSP 2019