New Spectral Higher-Order Neural Networks Offer Expressivity Bounds

研究人员推出了一种新颖的神经网络参数化方法——谱高阶神经网络（SHONNs），用于处理神经超图并解决参数爆炸问题。这种新方法利用谱属性和权重共享方案，显著降低了计算成本，同时可能提高了性能和可解释性。在具有挑战性的 N 位奇偶校验任务基准上的初步评估表明，SHONNs 提供了一个多功能且可调的假设空间。 AI

影响 引入了一种新颖的神经网络架构，有望提高机器学习任务的效率和可解释性。

排序理由 该条目是发表在 arXiv 上的研究论文，详细介绍了一种新型神经网络架构。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• N-bit parity tasks
• Neural hypergraphs
• ScienceCast
• Spectral Higher-Order Neural Networks

• 论文
• 模型发布

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