PulseAugur
中
实时 05:13:41
English(EN) Fractional Stochastic Neural Networks

新型分数随机神经网络改进长记忆恢复和鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的架构——分数随机神经网络（FSNNs），该架构将分数布朗运动纳入驱动残差动力学。该方法利用离散随机最大值原理建立伴随递归，从而在确定性网络参数下证明了投影样本随机梯度下降的均方收敛性。FSNNs 在多种应用中展现出潜力，包括具有不确定性量化的噪声回归、长记忆时间序列生成以及结构化扰动下的图像分类，与传统的布朗运动和确定性基线相比，在长记忆恢复和鲁棒性方面有所提高。 AI

影响 引入了一种新的神经网络架构，可能会提高时间序列生成和图像分类任务的性能。

排序理由 该集群包含一篇详细介绍新型神经网络架构的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型分数随机神经网络改进长记忆恢复和鲁棒性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yuecai Han, Jianming Xu ·

    分数随机神经网络

    arXiv:2606.29438v1 Announce Type: cross Abstract: In this paper, we develop a fractional stochastic neural network with residual dynamics driven by fractional Brownian motion. By introducing a discrete stochastic maximum principle for the network, we construct the corresponding a…

相关实体

相关话题