PulseAugur
中
实时 07:29:11
English(EN) A Hamiltonian driven Geometric Construction of Neural Networks via the Lognormal family, Application to Financial Fraud Detection and to Network Security

arXiv论文详述神经网络的新几何构造方法

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的神经网络构造方法，将神经网络嵌入统计流形中，特别是利用了对数正态分布。该方法利用了与流形上梯度流等效的哈密顿系统，网络输入由庞加莱圆盘内的动力学定义。诸如突触权重矩阵的旋转等关键组成部分源自SU(1,1)的李群作用，激活函数则源于系统的辛结构。所得出的神经网络架构在金融欺诈检测和网络安全应用中被证明是有效的。 AI

影响 引入了一种新颖的神经网络构造几何方法，在欺诈检测和安全领域具有潜在应用。

排序理由 该集群包含一篇arXiv论文，详细介绍了一种新的神经网络构造方法。 [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 →

arXiv论文详述神经网络的新几何构造方法

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Prosper Rosaire Mama Assandje, Landry Foka Marius, Arnaud Gires Fobasso Tchinda, Fr\'ed\'eric Barbaresco, St\'ephane R. Gael Ekodeck, Serge Alain Ebele ·

    基于对数正态族通过哈密顿驱动的神经网络几何构造，应用于金融欺诈检测和网络安全

    arXiv:2509.25778v3 Announce Type: replace Abstract: We presents a method for constructing neural networks intrinsically on statistical manifolds via the lognormal distribution. We demonstrate this approach by formulating a neural network architecture directly on statistical manif…

相关实体

相关话题