深度神经网络作为拓扑量子神经网络的半经典极限：泛化问题

AIGC动态欢迎阅读

原标题：深度神经网络作为拓扑量子神经网络的半经典极限：泛化问题
关键字：报告,神经网络,人工智能,拓扑,量子
文章来源：人工智能学家
内容字数：4970字

内容摘要：

来源：CreateAMind
摘要：
深度神经网络缺少其运行的原则模型。最近探索了一种基于拓扑量子场论的监督学习新框架，该框架看起来特别适合在量子处理器上实现。我们建议使用该框架来理解深度神经网络中的泛化问题。更具体地说，在这种方法中，深度神经网络被视为拓扑量子神经网络的半经典极限。这种框架可以轻松解释深度神经网络在训练步骤中的过度拟合行为以及相应的泛化能力。简介：
深度神经网络(DNNs)，即具有几个隐藏层的神经网络，由于它们在从分子设计[1]和社会经济预测[2]到机器翻译[3]和近似偏微分算子[4]的各种学习任务中的成功而变得流行。然而，我们对这项技术的基本理解却远远落后。DNNs在很大程度上被认为是“黑箱”系统，
一方面，它们缺少其操作的原则模型，另一方面，DNNs的内部操作不容易被人类读出。
第一个问题主要与我们对dnn如何实现这些泛化能力的有限理解有关，这些泛化能力使我们能够声明它们能够学习(无论“学习”在这里是什么意思)，
而第二个问题与解释非线性加权模型的操作行为的困难有关，该模型在成千上万的输入上训练，对网络的最终配置做出微观贡献。这些问题共同构成了实现公平、负责和透明

原文链接：深度神经网络作为拓扑量子神经网络的半经典极限：泛化问题

联系作者

文章来源：人工智能学家
作者微信：AItists
作者简介：致力成为权威的人工智能科技媒体和前沿科技研究机构