跳到主要内容
检索

# 低秩神经表示

1 篇关联报道

订阅更新
  1. arXiv

    隐式神经表示改用空间局部小批量:同一套配方在六个双曲守恒律问题上把相对误差压到1.1–2.3%

    隐式神经表示通常要用散布在整个区域上的小批量训练,因为一批点若全落在一个小区域,通用网络就会失准。低秩神经表示把每层权重写成共享基与小型超网络输出系数的乘积,因此可以只用自适应网格解中某个小单元、某个时间快照内的点做一步训练。在六个双曲守恒律问题上,同一套局部训练配方达到1.1–2.3%的相对误差,参数量只有同宽度稠密网络的十分之一;在匹配规模、相同局部批次与步数下,超网络-SIREN、DeepONet 和傅里叶神经算子停在16–78%,低秩表示则为4.9%。

已读完全部报道