PulseAugur
中
实时 05:52:58
English(EN) Low-Rank Evolutionary Deep Neural Networks via Adaptive Tangent-Space Reduction

新方法大幅降低演化深度神经网络的计算成本

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种低秩演化深度神经网络（LR-EDNN）方法，以显著降低求解时变偏微分方程的计算成本。这种新方法通过采用自适应切空间投影来实现这一点，它用更高效的线性降维问题取代了传统演化深度神经网络（EDNNs）所需的稠密线性系统求解。LR-EDNN方法通过逐层雅可比向量积构建降维雅可比矩阵，避免了形成完整的雅可比矩阵。数值实验表明，在选择合适的秩时，LR-EDNN在保持准确性和保真度的同时，大大降低了计算成本。 AI

影响 这项研究提供了一种使用神经网络求解复杂微分方程的计算效率更高的方法，有可能加速依赖此类模型的领域的模拟和研究。

排序理由 这是一篇详细介绍深度神经网络新算法方法的学术论文。[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 →

新方法大幅降低演化深度神经网络的计算成本

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jiahao Zhang, Shiheng Zhang, Guang Lin ·

    低秩演化深度神经网络通过自适应切线空间降维

    arXiv:2509.16395v2 Announce Type: replace-cross Abstract: Evolutionary deep neural networks (EDNNs) solve time-dependent partial differential equations by evolving the neural-network parameters sequentially in time through a local least-squares problem. Their main computational b…

相关话题