PulseAugur
中
实时 12:29:12
English(EN) R2DN: Scalable Parameterization of Contracting and Lipschitz Recurrent Deep Networks

新的R2DN方法提供了更快、可扩展的鲁棒递归网络

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的参数化方法R2DN，用于机器学习和控制应用的鲁棒递归神经网络。该新方法将一个线性时不变系统与一个1-Lipschitz深度前馈网络相结合，通过设计确保了稳定性和鲁棒性。与RENs等先前方法相比，R2DN在推理和反向传播方面提供了显著的加速，使其能够更有效地扩展到更大的网络和数据集。 AI

影响 为训练鲁棒递归神经网络引入了一种更具可扩展性和更快速的方法，有可能提高控制和系统辨识任务的性能。

排序理由 这是一篇详细介绍递归神经网络新方法的学术论文。[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 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Nicholas H. Barbara, Ruigang Wang, Ian R. Manchester ·

    R2DN：可扩展的收缩和利普希茨循环深度网络参数化

    arXiv:2504.01250v2 Announce Type: replace Abstract: This paper presents the Robust Recurrent Deep Network (R2DN), a scalable parameterization of robust recurrent neural networks for machine learning and data-driven control. We construct R2DNs as the feedback interconnection of a …

相关实体

相关话题