PulseAugur
实时 09:52:06
English(EN) It's Much Easier for Neural Networks to learn Game of Life Dynamics with the Right Activation Function: Polynomial Kolmogorov-Arnold Networks

多项式激活函数简化了康威生命游戏动力学的学习

研究人员发现,使用多项式激活函数,特别是二阶多项式,可以显著提高神经网络学习康威生命游戏动力学的能力。这种方法允许最小的网络学习细胞自动机的规则,其性能优于默认的ReLU(Rectified Linear Units)。研究表明,将归纳偏置与特定任务(如细胞自动机)相匹配,比仅仅扩大网络规模更有效,为科学机器学习和基于物理的深度学习带来了好处。 AI

影响 表明特定任务的归纳偏置可以比暴力扩展提高科学机器学习的学习效率。

排序理由 详细介绍特定领域神经网络学习新方法的学术论文。[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 →

多项式激活函数简化了康威生命游戏动力学的学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Tashin Ahmed, Q. Tyrell Davis ·

    使用正确的激活函数,神经网络学习生命游戏动力学要容易得多:多项式Kolmogorov-Arnold网络

    arXiv:2606.23587v2 Announce Type: replace Abstract: Previous work has found a gap between the scale of neural networks that reliably learn Conway's Game of Life, and minimal networks capable of representing the classic cellular automaton with hard-coded parameter values. Viewing …