PulseAugur
中
实时 09:13:53
English(EN) The Quadrilateral Loss: Additivity as a Measurable Behavior of Dense Neural Networks

新的“四边形损失”使神经网络的可加性可测量

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员引入了“四边形损失”，这是一种新颖的可微分惩罚，旨在使可加性成为稠密神经网络的可测量行为。该损失函数通过测量训练点之间的二阶混合差来针对特征交互，当某个坐标不携带任何交互时消失。它提供了一种控制可加性的方法，可能提高准确性和可解释性，尤其是在较小的数据集上，并为交互幅度提供了可观察的指标。 AI

影响 引入了一种测量和控制神经网络中特征交互的新方法，可能提高可解释性和性能。

排序理由 该集群包含一篇详细介绍神经网络新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新的“四边形损失”使神经网络的可加性可测量

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Antonio Di Cecco ·

    四边形损失：加性作为稠密神经网络的可测量行为

    arXiv:2607.20201v1 Announce Type: cross Abstract: Additive models buy interpretability by forbidding feature interactions, a constraint that neural instantiations enforce architecturally. We introduce the quadrilateral loss, a differentiable penalty that treats additivity as a me…

相关话题