在相關矩陣流形上的黎曼網路：以五種相關幾何擴展神經層

要點速遞

研究提出在滿秩相關矩陣所構成的流形上建立黎曼網路，將相關矩陣視為 SPD 矩陣的一種正規化替代，並以五種相關幾何作為理論基礎。

方法概述

作者把多項式邏輯迴歸、全連接與卷積等基本層系統化地擴展到這些相關幾何上，設計上同時考量流形的幾何結構與矩陣正則性。文中亦提出兩種相關幾何的精確反向傳播方法，確保在流形上能進行有效且穩定的梯度更新。

實驗與意義

實驗比較了該方法與既有的 SPD 與 Grassmannian 網路，結果顯示在代表性任務上具有實務成效。作者強調，將流形結構直接納入網路層設計，有助於維持矩陣的正則性與幾何資訊，為相關矩陣基礎的表徵學習提供新的方向。

延伸閱讀

• Teger：用曲率感知邊權與低秩＋對角協方差的機率性時空殘差建模
• SnareNet：可微修復層與自適應鬆緊以保障受限輸出可行性
• Dyadic Backpropagation：在非互易權重下以物理鬆弛有限步精確重現反向傳播

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。