KHNNs: 使用 TensorFlow 和 PyTorch 在 Keras 中进行的超复杂神经网络计算
对三种用于时间序列预测的架构进行了测试,它们分别包含卷积层、LSTM 层和密集超复数层用于 4D 代数。通过优化与架构类别相关的超参数,比较了最佳神经网络在类别内的性能。结果显示,在大多数情况下,具有超复数密集层的架构与其他架构相比,提供了类似的 MAE 准确性,但可训练参数较少。由于这一特点,超复数神经网络可以比其他测试的架构更快地学习和处理数据。此外,输入时间序列的顺序对有效性产生影响。
Jan, 2024
介绍了 TensorFlow、Chainer、CNTK、Torch/PyTorch、Caffe1/2、MXNet 和 Theano 等深度学习神经网络的竞争框架,并提出了一种名为 Tensor Comprehensions 的类数学语言,以及一个将深度学习 DAG 的数学描述转换为 CUDA 核心的即时编译器。
Feb, 2018
本文提出了内在可解释的 PHNNs 和矩形网络,并使用 PHB-cos 变换方法对参数化超复域进行解释。对超复型网络进行了深入分析,发现其倾向于将注意力集中在感兴趣的目标形状及其周围的形状上。
Mar, 2024
本研究旨在开发利用超复特征变换的图神经网络,通过推断数据自身的乘法规则来实现一种新的模型,其具有正则化效果,能够显著提升 HC 嵌入的表达能力,相比对应的实数 GNN,达到了 more state-of-the-art 的性能,同时内存占用和参数数量都更少。
Mar, 2021
本文介绍了如何使用四元数构建深度网络,通过在 CIFAR-10 和 CIFAR-100 数据集上进行端到端训练以及在 KITTI Road Segmentation 数据集上进行端到端训练,我们证明了四元数网络比实数网络和复数网络具有更好的收敛性能,在分割任务中表现尤为突出。
Dec, 2017
描述了 TensorKrowch Python 库的主要功能和基本用法,并提供了有关其构建块和优化的技术细节,以便将张量网络轻松集成到机器学习管道中。
Jun, 2023
本研究评估了 Kolmogorov-Arnold Networks(KANs)在复杂高光谱图像(HSI)数据分类中的有效性,并提出了一种利用 1D、2D 和 3D KANs 的混合架构,实验证明该 KAN 架构相比于多个基于 CNN 和 ViT 的算法在多个基准数据集上具有竞争力或更好的能力。
Jun, 2024