Geometria Duale Esatta delle Funzioni Valore SOC-ICNN
Uno studio recente pubblicato su arXiv (2605.04722) esamina la geometria esatta del primo ordine e locale del secondo ordine delle Reti Neurali Convesse con Input a Cono di Secondo Ordine (SOC-ICNN) attraverso una prospettiva duale. Queste SOC-ICNN migliorano le ICNN basate su ReLU incorporando componenti quadratiche e coniche e possono essere espresse accuratamente come funzioni valore di programmi conici di secondo ordine (SOCP). I ricercatori dimostrano che le variabili duali ottimali possono essere utilizzate per ottenere direttamente pendenze di supporto, subdifferenziali, derivate direzionali e Hessiani locali, facilitando l'inferenza white-box invece di affidarsi esclusivamente alla differenziazione automatica black-box. Inoltre, test numerici confermano l'accuratezza del calcolo dell'Hessiano locale e della lettura dei moltiplicatori.
Fatti principali
- Articolo arXiv 2605.04722
- Le SOC-ICNN sono Reti Neurali Convesse in Input con moduli quadratici e conici
- Le SOC-ICNN ammettono una rappresentazione esatta come funzioni valore di SOCP
- Studio della geometria esatta del primo ordine e locale del secondo ordine dal punto di vista duale
- Pendenze di supporto, subdifferenziali, derivate direzionali, Hessiani locali recuperati dalle variabili duali ottimali
- Consente inferenza white-box delle SOC-ICNN
- Esperimenti numerici validano la lettura esatta dei moltiplicatori e dell'Hessiano locale
Entità
Istituzioni
- arXiv