Introdotte Reti Riemanniane su Varietà di Correlazione
Un team di ricercatori ha presentato reti riemanniane che operano sulla varietà delle matrici di correlazione a rango pieno, fungendo da sostituto normalizzato per la varietà delle matrici simmetriche definite positive (SPD). Questa ricerca migliora i componenti fondamentali delle reti neurali—Regressione Logistica Multinomiale (MLR), strati completamente connessi (FC) e convoluzionali—applicandoli a cinque geometrie di correlazione di recente sviluppo. Inoltre, lo studio offre metodi per una retropropagazione precisa in due di queste geometrie. I risultati sperimentali indicano che questo nuovo approccio supera le prestazioni delle attuali reti SPD e grassmanniane. I risultati sono disponibili su arXiv nei settori dell'informatica e dell'apprendimento automatico.
Fatti principali
- Vengono introdotte reti riemanniane su matrici di correlazione a rango pieno.
- Vengono sfruttate cinque geometrie di correlazione sviluppate di recente.
- I livelli di base (MLR, FC, convoluzionali) sono estesi a queste geometrie.
- Vengono forniti metodi di retropropagazione accurata per due geometrie di correlazione.
- Gli esperimenti confrontano con le reti SPD e grassmanniane esistenti.
- L'approccio dimostra efficacia rispetto ai metodi esistenti.
- L'articolo è elencato in Computer Science > Machine Learning.
- Pubblicato su arXiv con ID 2605.19073.
Entità
Istituzioni
- arXiv