分形结构神经网络

《Fractal and Fractional》：Neural Networks with Fractal Architecture

　　

摘要

在本文中，我们提出了分形架构神经网络（FANN），这是一种受自相似分形几何启发的递归神经网络框架。该架构由一个分形维数参数??来控制网络的分支结构与连接密度，从而通过递归路径间的参数共享实现多尺度特征表示。我们在合成非线性回归任务上对FANN进行了测试，并将其与标准人工神经网络（ANN）以及FractalNet在准确率、训练表现和模型复杂度方面进行了比较。实验结果表明，在相同的计算资源下，FANN能够达到与这些模型相当甚至更优的预测性能，展现了出色的精度与参数效率比。这些结果表明，受分形启发的递归连接机制可为神经网络中的层次化表征学习提供一种高效的解决方案。