PulseAugur
中
实时 01:27:22
English(EN) LipSSM: Structurally Lipschitz-Bounded Cascaded State-Space Model via Metric Transfer between Consecutive SSM Layers

新的LipSSM架构通过级联状态空间模型增强DNN的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的级联状态空间模型（SSM）架构LipSSM，旨在增强深度神经网络（DNN）的鲁棒性。该新模型基于LipKernel概念，该概念在连续层之间传递信息，以实现比传统逐层方法更严格的Lipschitz界限。通过将此应用于级联SSM，LipSSM旨在在保持可验证鲁棒性的同时，改进长期依赖关系的建模。 AI

影响 这项研究可能带来更强大、更具表现力的深度神经网络，能够处理更长期的依赖关系。

排序理由 该集群包含一篇详细介绍新模型架构的研究论文。[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 →

新的LipSSM架构通过级联状态空间模型增强DNN的鲁棒性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Natsuki Yoshino, Ren Uchida, Kazuki Matsumoto, Kohei Yatabe ·

    LipSSM：通过连续SSM层之间的度量转移实现结构Lipschitz有界级联状态空间模型

    arXiv:2609.30973v1 Announce Type: new Abstract: Lipschitz continuity is a fundamental principle in the design of certifiably robust deep neural networks (DNNs), wherein adjusting the Lipschitz constant, which quantifies network robustness, is of central theoretical importance. A …

相关实体

相关话题