- 神经常微分方程（Chen et al. 1806.07366）
- 论文阅读“SimCTC: A Simple Contrast L
- 已发表文章5. Advanced nasopharyngeal
- 已发表文章4. Volumetric modulation ar
- Orthogonal Convolutional Neural
- 表征哺乳动物基因表达进化史的定量框架
- 论文粗读“SimGRACE: A Simple Framewor
- 2019年9月week1 病毒整合在隐匿性HBV感染期间驱动多灶
- 论文阅读“Graph Contrastive Clusterin
- 论文阅读"Masked Autoencoders Are Sca
本文是NIPS2018最佳论文。
传统的神经网络会使用一系列的离散隐藏层，而这篇文章利用一个神经网络将隐藏状态的微分进行了参数化。这一神经网络的输出由一个黑箱的微分方程求解器进行计算求解。像这样的连续深度神经网络具有常量的内存消耗，可以根据每一个输入自适应地调整求值策略，并可以显式地进行数值精度和求解速度之间的交换。
本文具体介绍了以下四个实例：
- 连续深度残差网络
- 连续深度潜变量网络
- 连续正则流——一个可以利用极大似然进行训练的生成模型，该模型不需要对数据维进行分片或排序
- 利用任意ODE求解器进行可伸缩的反向传播——这一方法不需要知道该求解器的内部结构。
原文图8 NODE与RNN的比较
网友评论