PulseAugur
实时 21:08:12
English(EN) Geometric analysis of attractor boundaries and storage capacity limits in kernel Hopfield networks

核 Hopfield 网络显示高存储容量,已分析稳定性限制

研究人员分析了使用核逻辑回归 (KLR) 训练的核 Hopfield 网络的几何特性和存储容量限制。他们的实验使用了随机序列和 CIFAR-10 图像嵌入,表明这些网络每个单元可以存储大约 16 个随机序列,并在接近每个单元 20 个序列的负载下保持结构化数据的稳定检索。研究发现,吸引子被清晰的边界分隔,最终的存储限制由对抗噪声的动力学稳定性决定,而不是特征空间中的几何可分性。 AI

影响 为核 Hopfield 网络的存储容量和稳定性机制提供了理论见解,可能为未来的记忆系统设计提供信息。

排序理由 这是一篇发表在 arXiv 上的研究论文,详细介绍了对核 Hopfield 网络的理论分析和实验结果。

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 →

核 Hopfield 网络显示高存储容量,已分析稳定性限制

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Akira Tamamori ·

    Geometric analysis of attractor boundaries and storage capacity limits in kernel Hopfield networks

    arXiv:2605.00366v1 Announce Type: cross Abstract: High-capacity associative memories based on Kernel Logistic Regression (KLR) exhibit strong storage capabilities, but the dynamical and geometric mechanisms underlying their stability remain poorly understood. This paper investiga…