可微修復層

深度分析

SnareNet：可微修復層與自適應鬆緊以保障受限輸出可行性

SnareNet 提出一種在神經網路輸出上強制滿足輸入依賴非線性限制的實用架構。做法是在模型後端加入可微分的「修復層」，在約束映射的值域內導引，將網路預測值迭代推向可行集合，並允許使用者指定可接受的違規容忍度。為了穩定端到端訓練，作者設計「自適應鬆緊」機制，先以放寬的可行集合包住網路初始輸出，再隨訓練逐步收緊回真正的約束。