Polynomial Neural Networks
PulseAugur coverage of Polynomial Neural Networks — every cluster mentioning Polynomial Neural Networks across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
Alexander-Hirschowitz定理应用于神经簇的新arXiv论文
研究人员Alex Massarenti及其合作者在arXiv上发表了一篇论文，详细介绍了Alexander-Hirschowitz定理在神经簇上的应用。他们的工作侧重于与多项式神经网络相关的神经簇的维度和可识别性。该论文为先前从有限可识别性推导出的维度陈述提供了独立的几何证明，并探讨了多输出架构的障碍和全局可识别性。
-
新算法精确计算奇异AI模型的学习系数
研究人员开发了一种新的确定性算法，用于精确计算二维奇异模型中的学习系数。该方法解决了传统信息准则（如BIC）在深度学习中常见的奇异条件下失效的局限性。新算法精确计算局部实对数规范阈值（RLCT），适用于Kullback-Leibler距离与多项式接触等价的模型，相比现有的基于采样的估计技术有了显著的进步，并为它们的校准提供了基准。
-
新研究探讨有限域上浅层神经网络
研究人员利用有限域上的单项激活函数，探索了浅层多项式神经网络（PNNs）的表达能力。他们将给定架构的“神经流形”定义为从网络权重到乘积多项式环的映射的像，并通过神经流形的基数来量化表达能力。这项工作与有限域上的有理点计数以及Weil 猜想相关，揭示了零特征域和有限特征域的神经流形之间存在显著差异，突显了域特征的重要性。
-
新研究挑战多项式神经网络的单峰架构猜想
一篇新发表在arXiv上的论文引入了利用幂次激活函数的多项式神经网络（PNNs）的单峰最小填充架构猜想的反例。该研究提交于2026年5月10日，修订于2026年6月17日，证明了当输入和输出宽度固定时，最小填充架构的隐藏层宽度并不总是呈现单峰性。研究结果通过前沿搜索、神经簇的递归维度界限和符号计算得出，揭示了几个存在显著缺陷的子架构，这与之前的观察结果形成对比。