Relu Network
PulseAugur coverage of Relu Network — every cluster mentioning Relu Network across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的学习机制允许对共享决策规则进行私有异常处理
研究人员开发了一种新颖的学习机制,允许组织私有化管理共享决策规则的异常。该系统将发布的规则编译成一个小的 ReLU 网络,并使各方能够根据自己的私有证据提出编辑建议,这些证据通过一个感知选择的证据门进行过滤。实验表明,该方法在处理私有异常时,与包括联邦学习技术在内的几种基线方法相比具有竞争力或更优。
-
新研究详细介绍了从参数合成ReLU网络的复杂性
一篇新的arXiv论文探讨了当提供参数值时合成ReLU网络的计算复杂性。该研究调查了构建具有给定参数集并实现特定目标行为的网络有多困难。论文详细指出,匹配两个标记示例已经是一个NP完全问题,当目标必须普遍或平均成立时,会出现进一步的复杂性,具体问题根据神经元数量和输入域的不同,是Sigma_2^P-complete或DP-complete。
-
新框架可预测和控制神经网络训练
研究人员开发了一个用于神经网络训练动力学粗粒化的框架,该框架允许宏观可观测和预测训练结果。该框架包括一个学习算子、一个下降定理、一个精确闭合定理和一个动态粗粒化定理。这些定理为构建和评估神经网络训练的粗粒化模型提供了一种系统的方法。使用有限宽度非线性ReLU网络证明了这些定理的适用性,其中推导出了一个精确的粗粒化模型并准确预测了训练输出。
-
研究将神经网络、常微分方程和多项式映射与原始递归联系起来
一篇新论文探讨了循环神经网络、多项式常微分方程(ODEs)和离散多项式映射的计算能力。该研究在这些框架中建立了原始递归的等价刻画,展示了组合如何从动力学而非显式闭包规则中涌现。这项工作通过分析时间界限、多项式次数和离散化资源,为复杂性类提供了动力学刻画。