跳到正文
arXiv · ML· Simon Kuang, Yuezhu Xu, S. Sivaranjani, Xinfan Lin·· 13 小时前AI 评分35

乘性 Lipschitz 界作为归纳偏置:提升 Lipschitz 约束学习

The multiplicative Lipschitz bound as an inductive bias

AI 导读

乘性 Lipschitz 界(trivial bound)在 Lipschitz 约束学习中的有效性常被低估。结合 quadrature nonlinearity,该方法在多数分类界上优于 Sandwich、AL、CPL 和 SDP 层,降低交叉熵。 在自编码器任务中,该方法在所有测试的瓶颈宽度下均取得最低像素重建误差,比 PCA 改进 12–24%。

来源:arXiv · ML · arxiv.org