Enhancing deep neural networks through complex-valued representations and Kuramoto synchronization dynamics

作者: Sabine Muzellec, Andrea Alamia, Thomas Serre, Rufin VanRullen

发布时间: 2025-03-03

来源: arxiv

研究方向: 人工智能，神经科学，计算机视觉

主要内容

本研究提出了一种名为KomplexNet的复杂值神经网络，结合了Kuramoto动态和同步机制，以增强多对象分类的性能。该模型通过利用神经同步性来解决问题绑定，从而提高深度学习模型在复杂视觉分类任务中的性能、鲁棒性和泛化能力。

1. 引入了KomplexNet，一种利用Kuramoto动态进行多对象分类的复杂值神经网络。

2. KomplexNet在分类精度方面优于基线模型。

3. KomplexNet对高斯噪声图像的鲁棒性更好，并且对分布外分类问题具有更好的泛化能力。

4. 通过引入反馈连接扩展KomplexNet，提高了相位同步性，比没有反馈的KomplexNet表现出更高的鲁棒性和泛化能力。

1. Kuramoto动态

2. 复杂值神经网络

3. 同步机制

4. 多对象图像分类

5. 反馈连接

6. 复杂值操作

实验结果表明，KomplexNet在多个任务上优于基线模型，包括重叠手写数字、噪声输入和分布外变换。此外，KomplexNet在处理具有不同数字数量的图像时表现出良好的泛化能力。

未来的工作可能包括扩展KomplexNet以处理更复杂的视觉场景，以及在更大的数据集上对其进行测试。此外，可以探索将Kuramoto动态与其他深度学习技术相结合，以进一步提高模型的性能。