論文の概要: Batch Normalization for Neural Networks on Complex Domains

• arxiv url: http://arxiv.org/abs/2605.00467v1
• Date: Fri, 01 May 2026 07:10:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 17:43:28.888054
• Title: Batch Normalization for Neural Networks on Complex Domains
• Title（参考訳）: 複雑領域上のニューラルネットワークのバッチ正規化
• Authors: Xuan Son Nguyen, Nistor Grozavu,
• Abstract要約: 複雑なドメイン上でのニューラルネットワークのためのBN層を提案する。 いくつかの複雑なドメイン上でBN層の実装に不可欠なコンポーネントを導出する。 本手法の有効性を示すために,レーダクラッタ分類,ノード分類,行動認識の実験を行った。
• 参考スコア（独自算出の注目度）: 11.888560564751302
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Riemannian neural networks have proven effective in solving a variety of machine learning tasks. The key to their success lies in the development of principled Riemannian analogs of fundamental building blocks in deep neural networks (DNNs). Among those, Riemannian batch normalization (BN) layers have shown to enhance training stability and improve accuracy. In this paper, we propose BN layers for neural networks on complex domains. The proposed layers have close connections with existing Riemannian BN layers. We derive essential components for practical implementations of BN layers on some complex domains which are less studied in previous works, e.g., the Siegel disk domain. We conduct experiments on radar clutter classification, node classification, and action recognition demonstrating the efficacy of our method.
• Abstract（参考訳）: リーマンニューラルネットワークは、さまざまな機械学習タスクを解くのに有効であることが証明されている。 彼らの成功の鍵は、ディープニューラルネットワーク(DNN)の基本構造ブロックの原理化されたリーマンアナログの開発である。 これらのうち、リーマンバッチ正規化(BN)層は訓練安定性を高め、精度を向上させることが示されている。 本稿では,複雑なドメイン上でのニューラルネットワークのためのBN層を提案する。 提案した層は、既存のリーマンBN層と密接な関係を持つ。 いくつかの複雑なドメイン上でBN層を実践するために必要不可欠な要素を導出するが、これは以前の研究では研究されていない。 本手法の有効性を示すために,レーダクラッタ分類,ノード分類,行動認識の実験を行った。

関連論文リスト

• Training Deep Morphological Neural Networks as Universal Approximators [16.985704173494074]
  深部形態素ニューラルネットワーク(DMNN)について検討する。 非直線性にもかかわらず、DMNNには「線形」アクティベーションが不可欠であることを示す。 線形」アクティベーションのパラメータを制約するアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-05-14T18:10:49Z)
• Convexity in ReLU Neural Networks: beyond ICNNs? [17.01649106055384]
  1階層のReLUネットワークで実装された凸関数はすべて、同じアーキテクチャのICNNで表現可能であることを示す。 また,多数のアフィン領域を持つReLUニューラルネットワークに対して,正確な凸性チェックを可能にする数値計算手法を提案する。
  論文  参考訳（メタデータ） (2025-01-06T13:53:59Z)
• Neural Network Pruning as Spectrum Preserving Process [7.386663473785839]
  行列スペクトル学習とニューラルネットワーク学習の密集層と畳み込み層との密接な関係を同定する。 本稿では,ニューラルネットワークのプルーニングに適した行列スペーシフィケーションアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-18T05:39:32Z)
• Globally Optimal Training of Neural Networks with Threshold Activation Functions [63.03759813952481]
  しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。 ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
  論文  参考訳（メタデータ） (2023-03-06T18:59:13Z)
• Gradient Descent in Neural Networks as Sequential Learning in RKBS [63.011641517977644]
  初期重みの有限近傍にニューラルネットワークの正確な電力系列表現を構築する。 幅にかかわらず、勾配降下によって生成されたトレーニングシーケンスは、正規化された逐次学習によって正確に複製可能であることを証明した。
  論文  参考訳（メタデータ） (2023-02-01T03:18:07Z)
• Rank Diminishing in Deep Neural Networks [71.03777954670323]
  ニューラルネットワークのランクは、層をまたがる情報を測定する。 これは機械学習の幅広い領域にまたがる重要な構造条件の例である。 しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
  論文  参考訳（メタデータ） (2022-06-13T12:03:32Z)
• Deep Neural Networks and PIDE discretizations [2.4063592468412276]
  畳み込みニューラルネットワーク(CNN)の安定性と視野問題に対処するニューラルネットワークを提案する。 本稿では,大域重み付きラプラス作用素,分数ラプラス作用素,分数逆ラプラス作用素に関連する積分型空間非局所作用素を提案する。 自律運転における画像分類データセットとセマンティックセグメンテーションタスクのベンチマーク上で,提案したニューラルネットワークの有効性を検証した。
  論文  参考訳（メタデータ） (2021-08-05T08:03:01Z)
• Exploiting Heterogeneity in Operational Neural Networks by Synaptic Plasticity [87.32169414230822]
  最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。 本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。 高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-08-21T19:03:23Z)
• Finite Versus Infinite Neural Networks: an Empirical Study [69.07049353209463]
  カーネルメソッドは、完全に接続された有限幅ネットワークより優れている。 中心とアンサンブルの有限ネットワークは後続のばらつきを減らした。 重みの減衰と大きな学習率の使用は、有限ネットワークと無限ネットワークの対応を破る。
  論文  参考訳（メタデータ） (2020-07-31T01:57:47Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。