Limite di strato profondo e convergenza di reti indotte da FBS in problemi di apprendimento
Un nuovo articolo su arXiv (2605.27133) estende la ricerca sulle reti neurali di deep unfolding derivate dall'algoritmo forward-backward-splitting (FBS). Lo studio analizza la rete indotta da FBS più elementare, ottenuta dall'algoritmo originale con rilassamenti diretti dei parametri. Sotto ipotesi deboli, gli autori stabiliscono una proprietà di convergenza generale per il problema di addestramento, mostrando che esso si avvicina al problema di apprendimento del sistema limite di strato profondo tramite un argomento di Γ-convergenza. Questo lavoro prosegue precedenti analisi di sistemi forward utilizzando formulazioni di differenze/inclusioni differenziali.
Fatti principali
- Articolo arXiv:2605.27133, tipo di annuncio: cross
- Si concentra su reti neurali di deep unfolding da schemi di ottimizzazione iterativa e ODE/PDE
- Architettura di rete derivata dall'algoritmo forward-backward-splitting (FBS) di base
- Include rilassamenti diretti dei parametri nell'algoritmo FBS sviluppato
- Stabilisce la proprietà di convergenza del problema di addestramento al sistema limite di strato profondo
- Utilizza un argomento di Γ-convergenza per i punti di accumulazione
- Si basa su precedenti analisi di sistemi forward con differenze/inclusioni differenziali
- Pubblicato su arXiv con abstract disponibile
Entità
Istituzioni
- arXiv