研究人员开发了超输入凸神经网络（HyCNNs），这是一种旨在比现有的输入凸神经网络（ICNNs）更有效地学习凸函数的新架构。HyCNNs将Maxout网络与ICNN原理相结合，在深度利用和可扩展性方面提供了理论优势。实验表明，HyCNNs在凸回归和插值任务中优于ICNNs和MLPs，并且在学习合成数据和单细胞RNA测序的高维最优传输图方面是有效的。 AI
影响 引入了一种更具参数效率的凸函数学习架构，有可能提高最优传输等任务的性能。
排序理由 介绍新颖神经网络架构的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2604.26942v1 Announce Type: cross Abstract: We introduce Hyper Input Convex Neural Networks (HyCNNs), a novel neural network architecture designed for learning convex functions. HyCNNs combine the principles of Maxout networks with input convex neural networks (ICNNs) to cr…
We introduce Hyper Input Convex Neural Networks (HyCNNs), a novel neural network architecture designed for learning convex functions. HyCNNs combine the principles of Maxout networks with input convex neural networks (ICNNs) to create a neural network that is always convex in the…