PulseAugur
中
实时 04:42:45
English(EN) SOC-ICNN: From Polyhedral to Conic Geometry for Learning Convex Surrogate Functions

SOC-ICNN: 从多面体到圆锥几何，用于学习凸代理函数

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种新颖的神经网络架构 SOC-ICNN，它将表示能力从经典的基于 ReLU 的输入凸神经网络 (ICNN) 扩展开来。通过从线性规划 (LP) 泛化到二阶锥规划 (SOCP)，SOC-ICNN 能够原生融入平滑曲率，同时保持优化理论解释。这一进展在不增加计算复杂性的情况下拓宽了表示空间，从而提高了下游任务中的函数逼近和决策质量。 AI

影响 扩展了凸神经网络的表示能力，有望提高与优化相关的 AI 任务的性能。

排序理由 一篇介绍具有理论和实验改进的新神经网络架构的学术论文。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

SOC-ICNN: 从多面体到圆锥几何，用于学习凸代理函数

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Kang Liu, Jianchen Hu ·

    SOC-ICNN：从多面体到圆锥几何，用于学习凸代理函数

    arXiv:2604.22355v1 Announce Type: cross Abstract: Classical ReLU-based Input Convex Neural Networks (ICNNs) are equivalent to the optimal value functions of Linear Programming (LP). This intrinsic structural equivalence restricts their representational capacity to piecewise-linea…

  2. arXiv stat.ML TIER_1 English(EN) · Jianchen Hu ·

    SOC-ICNN：从多面体到圆锥几何，用于学习凸代理函数

    Classical ReLU-based Input Convex Neural Networks (ICNNs) are equivalent to the optimal value functions of Linear Programming (LP). This intrinsic structural equivalence restricts their representational capacity to piecewise-linear polyhedral functions. To overcome this represent…

相关实体

相关话题