AIGC動態(tài)歡迎閱讀

原標題：深度神經網絡作為拓撲量子神經網絡的半經典極限：泛化問題
關鍵字：報告,神經網絡,人工智能,拓撲,量子
文章來源：人工智能學家
內容字數：4970字

內容摘要：

來源：CreateAMind
摘要：
深度神經網絡缺少其運行的原則模型。最近探索了一種基于拓撲量子場論的監(jiān)督學習新框架，該框架看起來特別適合在量子處理器上實現(xiàn)。我們建議使用該框架來理解深度神經網絡中的泛化問題。更具體地說，在這種方法中，深度神經網絡被視為拓撲量子神經網絡的半經典極限。這種框架可以輕松解釋深度神經網絡在訓練步驟中的過度擬合行為以及相應的泛化能力。簡介：
深度神經網絡(DNNs)，即具有幾個隱藏層的神經網絡，由于它們在從分子設計[1]和社會經濟預測[2]到機器翻譯[3]和近似偏微分算子[4]的各種學習任務中的成功而變得流行。然而，我們對這項技術的基本理解卻遠遠落后。DNNs在很大程度上被認為是“黑箱”系統(tǒng)，
一方面，它們缺少其操作的原則模型，另一方面，DNNs的內部操作不容易被人類讀出。
第一個問題主要與我們對dnn如何實現(xiàn)這些泛化能力的有限理解有關，這些泛化能力使我們能夠聲明它們能夠學習(無論“學習”在這里是什么意思)，
而第二個問題與解釋非線性加權模型的操作行為的困難有關，該模型在成千上萬的輸入上訓練，對網絡的最終配置做出微觀貢獻。這些問題共同構成了實現(xiàn)公平、負責和透明

原文鏈接：深度神經網絡作為拓撲量子神經網絡的半經典極限：泛化問題

聯(lián)系作者

文章來源：人工智能學家
作者微信：AItists
作者簡介：致力成為權威的人工智能科技媒體和前沿科技研究機構