New geometric approach to learning in neural networks and quantum circuits

研究人员开发了一种新颖的机器学习方法，将深度神经网络和变分量子电路视为乘积 Wasserstein 流形上的梯度流。这种几何视角将权重分布视为内在几何结构，而不仅仅是约束，从而可能增强模型容量。该研究为深度网络引入了分层平均场描述，并将其扩展到量子领域，提出了分层 DisCo-SGD 和 Quantum DisCo 等实用算法。实验表明，该方法提高了泛化能力，稳定了训练，并缓解了量子神经网络中的贫瘠平原问题。 AI

影响 这种学习的几何框架可能为经典和量子人工智能系统带来更稳定、更具泛化能力的模型。

排序理由 学术论文，详细介绍了机器学习的新理论框架和算法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Deep Neural Networks
• Hierarchical DisCo-SGD
• Hierarchical mean-field description
• Quantum Wasserstein distance of order 1
• Variational Quantum Circuits
• Variational Quantum Classifiers
• Wasserstein Manifolds

• 论文
• 基础设施

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