提出基于逆激活回归的神经元合并压缩方法

日本学者 Ao Kuniya 与 Jun Ohkubo 发表论文，提出面向 sigmoid 神经网络的训练后压缩方法：通过逆激活函数把神经元响应映射回预激活空间，再用最小二乘法估计代表神经元的权重与偏置。 方法同时考察两种策略——使用真实训练输入的数据辅助策略，以及使用随机生成输入的无数据策略，并与无数据贡献加权平均法对比。 作者称实验显示，在所测试的 sigmoid 网络中，权重信息对聚类尤为有用，激活信息则有助于合并时重建代表神经元。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。