次線性神經網路

深度分析

次線性神經網路參數化凸集合：單位球映射與支援／規格函數方法

凸形狀優化常受參數與可微性限制。本文以可正齊次且次線性的神經網路參數化支持與規格函數，透過將單位球映射至凸集並用自動微分計算幾何量。實驗示重建與優化任務具良好表現並證明具普遍逼近性。論文同時討論用L–BFGS與固定積分點離散化的實作細節以及高維擴展與記憶體限制。